新的反思性掩码技术使扩散模型能够进行多轮推理

研究人员引入了反思性掩码（RM），这是一种后训练技术，使掩码扩散模型（MDMs）能够通过迭代自我修正来进行多轮推理。与顺序生成的自回归模型不同，MDMs可以自然地在本地优化输出。RM允许这些模型根据不断变化的上下文重新审视和修改先前的输出，而无需进行架构更改。该方法包含一种称为历史参考的无参数机制，以帮助模型在修改过程中避免重复错误，并在文本生成、数独和图像编辑等任务中表现出改进的性能。 AI

影响 为扩散模型引入了一种新颖的推理范式，有可能增强其在需要迭代优化和自我纠正的任务中的能力。

排序理由 详细介绍一种提高扩散模型推理能力的新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 Hugging Face Daily Papers 阅读 →

• autoregressive model
• DiffusionGemma
• Gemini Diffusion
• History Reference
• Mask Diffusion Models
• Multi-Turn Reflective Masking
• Reflective Masking

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →