研究人员引入了一种新颖的方法,通过关注 token commitment 过程来控制掩码扩散模型。该方法将 commitment 分为两个决策:在每一步提交哪些 token 以及提交多少 token。所提出的机制,即反事实目标感知 commitment 和校准自适应预算,在各种语言和视觉语言任务中展示了目标质量的单调权衡。即使目标是成功的自动代理,例如 NLI entailment 或 CLIPScore,这些方法也适用,并且已在 LLaDA 和 Dream-7B 等不同的扩散模型系列上得到验证。 AI
影响 这项研究为扩散模型提供了一个新的控制界面,有可能提高各种人工智能应用中的生成质量和可控性。
排序理由 该集群包含一篇研究论文,详细介绍了一种控制掩码扩散模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →