Il raffinamento parziale iterativo potenzia lo scaling dell'inferenza nei modelli di diffusione
Un nuovo metodo chiamato Iterative Partial Refinement (IPR) migliora lo scaling al momento dell'inferenza per i modelli di diffusione senza richiedere verificatori esterni. Proposto in un articolo su arXiv (2605.19317), l'IPR aggiunge rumore e rigenera sottoinsiemi di un campione già generato, condizionandosi sulle regioni rimanenti per rivedere decisioni precedenti in un contesto più ricco. Questo colma una lacuna nei metodi di scaling esistenti che si basano su modelli di ricompensa esterni, limitando la scalabilità. L'IPR è progettato per modelli di diffusione sequenziali con condizionamento regionale a rumore misto, un'area poco esplorata. L'approccio consente l'autocorrezione durante l'inferenza, migliorando potenzialmente le capacità di ragionamento nell'IA generativa.
Fatti principali
- IPR non richiede verificatori esterni o modelli di ricompensa.
- Il metodo aggiunge rumore a un sottoinsieme di regioni in un campione esistente.
- La rigenerazione è condizionata sulle regioni rimanenti.
- IPR è progettato per modelli di diffusione sequenziali.
- Articolo pubblicato su arXiv con ID 2605.19317.
- Affronta le limitazioni dei metodi di scaling esistenti al momento dell'inferenza.
- Consente la revisione di decisioni precedenti in un contesto più ricco.
- Si rivolge al condizionamento regionale a rumore misto nei modelli di diffusione.
Entità
Istituzioni
- arXiv