Diffusion large language models (dLLMs)는 표준 자기회귀(autoregressive) 모델에 비해 병렬 생성에서 이론적 이점을 제공합니다. 하지만, 단순히 병렬 생성이 실질적인 속도 향상을 보장하지는 않습니다. 이러한 효율성을 구현하기 위해서는 확산 인식 캐싱(diffusion-aware caching) 및 재사용과 같은 특화된 추론 메커니즘이 필요합니다. 결과적으로, 추론 효율성이 실제 배포를 위한 전제 조건이 되면서, 최근 연구들은 알고리즘, 아키텍처, 시스템 전반에 걸쳐 가속화 기법을 적극적으로 탐구해 왔습니다. 하지만, 종단 간(end-to-end) 지연 시간은 알고리즘적, 아키텍처적, 시스템 수준의 요소들 사이의 복잡한 상충 관계에서 비롯되는데, 이는 기존 벤치마크에서 자주 혼재되어 있어 엄격한 비교가 여전히 어렵습니다. 본 조사에서는 이러한 요인들을 분리하고 실제 배포에서의 추론 속도에 미치는 영향을 분석하기 위해 dLLMs를 위한 통합 지연 시간 분해 프레임워크(unified latency decomposition framework)를 소개합니다. 이 프레임워크의 안내를 받아, 우리는 알고리즘 혁신, 아키텍처 및 시스템 최적화, 그리고 추론 시간 스케일링이라는 세 축을 따라 가속화 기법들을 분류합니다. 마지막으로, 재현 가능한 벤치마킹을 위한 지침을 제공하고 병렬 생성의 잠재력을 완전히 실현하기 위한 열린 과제들을 강조합니다.