SD3.5-Medium
PulseAugur coverage of SD3.5-Medium — every cluster mentioning SD3.5-Medium across labs, papers, and developer communities, ranked by signal.
-
LC-GRPO框架通过Langevin校正改进生成模型训练
研究人员推出了一种新颖的基于流的GRPO框架LC-GRPO，该框架结合了Langevin校正，以弥合生成模型中训练和推理之间的差距。该方法解决了在使用随机微分方程（SDE）进行训练和使用常微分方程（ODE）进行推理时出现的差异，这种差异可能导致样本模糊和性能下降。通过在ODE欧拉步之后应用Langevin校正，LC-GRPO在理论上减少了Wasserstein误差，并与标准的SDE离散化相比提高了样本精度。在SD3.5-Medium、…
-
新的策略内蒸馏方法提升LLM推理能力和效率 · 跟踪10个来源
多篇研究论文探讨了语言模型策略内蒸馏（OPD）技术的进展，旨在提高推理能力和训练效率。包括SimpleOPD、S$^2$VOPD、LOPD、CROP、DAPD和REOPD在内的几种方法，引入了新颖的策略来解决分词器不匹配、特权幻觉和选择性监督等挑战。这些方法旨在提高数学推理、代码生成和细粒度感知等任务的性能，其中一些方法展示了相对于现有方法的显著提升，甚至超越了Gemini-2.5-Pro和GPT-5.4等大型模型。
-
新的基准 Arena-T2I Hard 测试了文本到图像在复杂提示上的忠实度
研究人员推出了 Arena-T2I Hard，这是一个旨在评估文本到图像模型在复杂、多方面提示上的忠实度的新基准。该基准包含 310 个源自实际使用的提示，将请求分解为大约 30 个特定约束，解决了现有基准使用更简单指令的局限性。评估显示 11 个系统之间存在显著的性能差距，最强的闭源模型得分为 0.855，凸显了对更鲁棒的忠实度测试的需求。该论文还提出了一种依赖感知检查表奖励系统和一种组解耦归一化技术，以改进 SD3.5-Mediu…
-
新方法解决文本到图像AI中的概念遗漏问题
研究人员在多模态扩散 Transformer (MM-DiTs) 中发现了一种称为概念遗漏的现象，即指定的对象或属性未在图像中生成。他们发现文本嵌入中存在一个“遗漏信号”，表明目标概念的缺失。为解决此问题，他们开发了遗漏信号干预 (OSI) 方法，该方法通过放大此信号来鼓励生成缺失的元素。在 FLUX.1-Dev 和 SD3.5-Medium 上的实验表明，OSI 能有效减少概念遗漏，即使在具有挑战性的情况下也是如此。
-
新框架 HoloFair 解决文本到图像模型中的偏见问题
研究人员推出 HoloFair，这是一个用于评估和缓解文本到图像生成模型中偏见的新框架。该框架包含一个大规模数据集和一个名为多属性、分组偏见指数 (MGBI) 的指标，用于评估各种人口统计学偏见。此外，他们开发了 Fair-GRPO，一种强化学习方法，使用多目标奖励函数来提高公平性，同时不牺牲图像质量，这在 SD3.5-Medium 模型上得到了验证。