확산 대규모 언어 모델 (Diffusion large language models, DLLMs)은 양방향 문맥 (bidirectional context)을 사용하여 손상된 토큰 시퀀스를 반복적으로 노이즈 제거 (denoising)함으로써 비자기회귀적 생성 (non-autoregressive generation)을 가능하게 합니다. 여러 위치를 병렬로 업데이트할 수 있는 능력에도 불구하고, 고품질 생성을 위해 필요한 많은 노이즈 제거 단계로 인해 추론 (inference) 비용은 여전히 높습니다. 우리는 토큰 간의 계산량을 재할당하여 DLLM을 가속화하는 스캐폴드 인식 반복 디코딩 (Scaffold-Aware Iterative Decoding) 프레임워크인 SAID를 제안합니다. SAID는 먼저 스캐폴드 토큰 (scaffold tokens)에 노이즈 제거 계산을 할당하여 거친 의미 구조 (coarse semantic structure)를 구축한 다음, 예측 가능한 세부 토큰 (detail tokens)들을 더 적은 단계로 완성합니다. 나아가 우리는 SAID를 블록 단위 확산 디코딩 (block-wise diffusion decoding)에 맞게 조정하고, 신뢰도가 낮은 토큰에만 추가 단계를 할당하는 신뢰도 계층적 레이어 생성 (Confidence-Hierarchical Layered Generation, CHLG)을 도입합니다. 수학, 코딩 및 지식 벤치마크 전반에 걸친 LLaDA-8B 및 LLaDA 1.5에 대한 실험 결과, SAID는 경쟁력 있는 성능을 유지하면서도 최대 9.1배의 속도 향상을 통해 DLLM 추론을 크게 가속화함을 보여줍니다. 우리의 코드는 다음에서 공개적으로 사용할 수 있습니다: https://github.com/TH-AI-Lab-PKU/SAID.