让 AI 同时填两个空，速度会更快，却可能拼出“Los Diego”：每个词单看都像对的，放在一起却不成立。扩散语言模型（Diffusion LLM）正有这个难题。它通过多轮“去噪”反复填写整段文字，可以并行生成多个词；但早期错误也会成为后续判断的错误前提。
DARD 的关键不只是允许反悔，而是避免让可疑答案参与“互相证明”。它把词分成未填写、候选和已确认三种状态。验证某个候选词时，模型只参考更可靠的词；若后来发现候选不可信，就重新遮住再生成。这个机制无需额外训练。
作者在 3 个开源扩散语言模型、12 项文本与多模态基准上测试，称 DARD 整体改善了速度与质量的权衡。在 Flickr30K 上，相比另一种可撤回解码方法 Saber，DARD 达到 2.71 倍加速，同时将 CIDEr 图像描述评分提高 4.35 分。它说明，并行生成能否放心“反悔”，关键还在于纠错时别让错误答案污染裁判依据。