自回归（Autoregressive, AR）语言模型以逐 token 的方式生成文本，这限制了其推理速度。扩散式语言模型（Diffusion-based LMs）提供了一种有前景的替代方案，因为它们可以并行解码多个 token。然而，我们发现现有扩散语言模型存在一个关键瓶颈：长解码窗口问题，即生成位置远离输入上下文的 token 往往变得无关或重复。以往的解决方案（如半自回归方法）通过将窗口划分为块来缓解该问题，但这会牺牲速度与双向性，从而削弱扩散模型的主要优势。 为解决这一问题，我们提出了卷积解码（Convolutional decoding, Conv），这是一种基于归一化的方法，可在无需硬性分段的情况下缩小解码窗口，从而提升流畅性与灵活性。此外，我们引入了拒斥规则微调（Rejecting Rule-based Fine-Tuning, R2FT），这是一种后处理训练机制，能够更好地对齐远离上下文位置的 token。 在开放式生成基准（如 AlpacaEval）上的实验结果表明，我们的方法在扩散语言模型的基线中取得了最新最优性能，并显著减少了步长，相较于以往工作同时实现了速度与质量的提升。代码已在 GitHub 上公开。