#difúzne modely

Čerstvý paper na arXive navrhuje spoločný rámec pre reward fine-tuning aj sampling v difúznych a flow modeloch a tvrdí, že niektoré dnes používané tréningové cesty majú zásadne horšie vlastnosti než iné.

Apple otvoril otázku, prečo difúzne modely občas zvládnu skladať nové kombinácie objektov mimo tréningových dát a inokedy zlyhajú. Práca o kompozičnej generalizácii navrhuje, že rozhodujúca môže byť lokalita závislostí v modeli, nie iba veľkosť siete alebo množstvo dát.

Apple zverejnil výskum LaDiR, ktorý skúša nahradiť striktne sekvenčné generovanie uvažovania latentným difúznym procesom. Cieľom je, aby model vedel rozpracované kroky spätne upravovať, paralelne skúmať viac ciest a lepšie hospodáriť s výpočtom pri dlhších úlohách.