마스크 확산 언어 모델 (Masked Diffusion Language Models, MDLMs)은 토큰을 반복적으로 언마스킹 (unmasking)하여 텍스트를 생성하지만, 표준 디코더는 각 단계를 이진 동작 (binary action)으로 축소합니다. 즉, 특정 위치는 단일 토큰으로 확정되거나 완전히 마스크 (masked) 상태로 남을 뿐, 그 사이의 부분적인 믿음 (partial belief)에 대한 표현이 없습니다. 이러한 '전부 아니면 전무 (all-or-nothing)' 방식은 풍부한 예측 정보를 버리고 성급하며 돌이킬 수 없는 결정을 강요하여, 제한된 디코딩 예산 (decoding budget) 하에서 낮은 성능을 초래합니다. 본 논문에서 우리는 마스크 예측을 클린 상태 예측 ($x$-prediction)으로 재해석하며, 이것이 입력 임베딩 공간 (input embedding space)에서 연속적인 흐름 (continuous flow)을 유도하는 데 사용될 수 있음을 보여줍니다. 이러한 관점을 바탕으로, 우리는 MDLMs를 위한 연속적 디코딩 프레임워크를 제안하며, 여기서 토큰은 각 확산 단계 (diffusion step)에서 부분적인 진행 상황을 축적할 수 있고 수정 가능한 상태로 유지될 수 있습니다. 언어의 위치별로 불균형한 문맥적 제약 (contextual constraints)에 맞추기 위해, 우리는 이미지 확산 (image diffusion)의 전역적 동기식 스케줄 (globally synchronous schedule)을 확산 진행 상황이 토큰별로 축적되는 신뢰도 기반 비동기식 업데이트 (confidence-based asynchronous update)로 대체합니다. 또한, 경량 정책 네트워크 (lightweight policy network)를 도입하고 그 학습을 강화학습 (Reinforcement Learning, RL) 문제로 공식화합니다. 사전 학습된 LLaDA에 적용했을 때, 우리의 연속적 디코더는 HumanEval 데이터셋에서 디코딩 예산의 25%만 사용하고도 성능의 97%에 도달했습니다.