Mga Papel at Pananaliksik

Pinalawak ang scale ng Categorical Flow Maps

Orihinal na pamagat:Scaling Categorical Flow Maps

AI summary

Ang continuous diffusion at flow matching model ay inaasahang magiging malakas na alternatibo sa autoregressive na pamamaraan sa language modeling, na makakapag-unlock ng mga bentahe ng continuous modality tulad ng accelerated sampling at tilting. Kamakailan, sa pamamagitan ng simpleng flow matching process sa pagitan ng Gaussian distribution at one-hot encoded data distribution, nakamit ang continuous generation ng discrete data, at sa tulong ng Categorical Flow Maps (CFMs) ay napatunayan ang feasibility ng accelerated sampling, na may competitive na kalidad ng sample.

Mahahalagang impormasyon

  • Ang continuous diffusion at flow matching model ay inaasahang magiging malakas na alternatibo sa…
  • Kamakailan,sa pamamagitan ng simpleng flow matching process sa pagitan ng Gaussian distribution at…
  • at sa tulong ng Categorical Flow Maps (CFMs) ay napatunayan ang feasibility ng accelerated…

Mabilisang tingin

Na-publish noong
Na-update noong
Pinagmulan
Apple Machine Learning Research(RSS)
Kategorya
Mga Papel at Pananaliksik
AI na marka
64
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

研究将分类流映射扩展到大规模语言建模,为连续扩散替代自回归提供了实验证据,可能影响模型架构选择。

Pinagmulan at copyright

Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.

Link ng orihinal · Entry sa AIHOT

Paano banggitin

Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.

Orange News: Pinalawak ang scale ng Categorical Flow Maps. 7 Agosto 2026. https://new.nat6.net/fil/news/cmsj4jrne24d5ronkvb40rucl/

Tingnan lahat →