本综述解决了扩散大型语言模型（dLLM）的理论并行生成优势与其实际推理速度之间的差距。它引入了一个统一的延迟分解框架，旨在解耦影响实际部署的算法、架构和系统级因素。

作者沿三个轴对加速技术进行分类：算法创新、架构和系统优化以及推理时扩展。该工作为可重复基准测试提供了指南，以解决现有研究中严格比较的困难。

通过分析这些权衡，综述突出了实现dLLM中并行生成全部潜力的开放挑战。