PulseAugur
中
实时 10:34:23

新研究探索离散流匹配和强化学习在生成模型中的应用

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇研究论文探讨了生成模型方面的进展，重点关注离散结构和基于流的模型。第一篇论文引入了上下文加权离散流匹配，通过考虑局部上下文来提高离散数据上的生成质量，在OpenWebText上将生成困惑度降低了高达63%。第二篇论文（已被撤回）提出了SuperFlow，一个使用强化学习的框架，用于提高文本到图像生成流模型的训练效率和性能，显示出训练时间的显著缩短和优于现有模型的性能。 AI

影响 这些论文有助于推进生成式AI技术，可能为文本到图像生成和离散数据建模等任务带来更高效、更高质量的模型。

排序理由 两篇在arXiv上发表的学术论文，详细介绍了生成模型的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新研究探索离散流匹配和强化学习在生成模型中的应用

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Daniil Cherniavskii, Daniel Severo, Karen Ullrich ·

    上下文加权离散流匹配

    arXiv:2607.21427v1 Announce Type: new Abstract: Discrete flow matching provides a flexible framework for generative modeling on discrete structures. However, the standard factorized training objective exposes the model to targets of varying difficulty, mixing well-conditioned, pr…

  2. arXiv cs.CV TIER_1 English(EN) · Kaijie Chen, Zhiyang Xu, Ying Shen, Zihao Lin, Yuguang Yao, Lifu Huang ·

    SuperFlow：实时使用 RL 训练 Flow Matching 模型

    arXiv:2512.17951v3 Announce Type: replace Abstract: Recent progress in flow-based generative models and reinforcement learning (RL) has improved text-image alignment and visual quality. However, current RL training for flow models still has two main problems: (i) GRPO-style fixed…

相关实体

相关话题