好比一直拿残缺题干练习，考试时却突然拿到完整题干：模型未必不会答，只是没练过这种条件。扩散语言模型先遮盖或扰乱文本，再分多轮补全；但训练时，提示词和待续写内容可能一起被污染，真正生成时却通常要依据一段干净前文续写。论文把一部分性能损失追到了这种“训练—生成错配”。
作者提出 PCD（Prefix-Conditioned Diffusion，前缀条件扩散）：把每条训练文本切成两段，左侧前缀保持干净，像自回归模型那样逐词学习；右侧后文才接受扰动，并由模型去噪还原。关键在于，它只调整训练中的注意力、扰动和答案标记方式，不要求更换推理模式。作者报告，在 LLaDA2-Mini 的六项基准平均分上，PCD 相对稳定基线提升 4.2%，即 2.56 分；在 Qwen-1.7B 的主要机制对比中，相对提升 14.2%，即 4.86 分。结果说明，训练时让模型真正见到使用时的干净前文，可能收回一部分续写性能。