Articles et recherche

Passage à l'échelle des Categorical Flow Maps

Titre original:Scaling Categorical Flow Maps

Résumé IA

Les modèles de diffusion continue et de flow matching pourraient devenir une alternative solide aux méthodes autorégressives en modélisation du langage, en offrant les avantages des modalités continues comme l'échantillonnage accéléré et le tilt. Des travaux récents réalisent la génération continue de données discrètes via un processus de flow matching simple entre une distribution gaussienne et une distribution de données encodée en one-hot, et confirment la faisabilité d'un échantillonnage accéléré grâce aux Categorical Flow Maps (CFM), avec une qualité d'échantillon compétitive.

Points clés

  • Les modèles de diffusion continue et de flow matching pourraient devenir une alternative solide…
  • Des travaux récents réalisent la génération continue de données discrètes via un processus de flow…
  • et confirment la faisabilité d'un échantillonnage accéléré grâce aux Categorical Flow Maps…

En bref

Publié
Mis à jour
Source
Apple Machine Learning Research(RSS)
Catégorie
Articles et recherche
Score IA
64
Lire l'original Lire l'article complet à la source d'origine
Pourquoi c'est important

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。

Source et droits

Cet article s'appuie sur des titres sélectionnés et des résumés IA issus de l'API publique AIHOT, avec attribution et liens de retour. Les droits sur l'original restent ceux des médias et auteurs d'origine ; ce site ne reproduit pas les textes intégraux.

Article original · Fiche AIHOT

Comment citer

Pour citer cet article, conservez le titre, la date et le lien permanent, et indiquez Orange News comme source.

Orange News : Passage à l'échelle des Categorical Flow Maps. 7. août 2026. https://new.nat6.net/fr/news/cmsj4jrne24d5ronkvb40rucl/

Tout voir →