ขยายขนาด Categorical Flow Maps
หัวข้อต้นฉบับ:Scaling Categorical Flow Maps
สรุปโดย AI
โมเดลการแพร่กระจายแบบต่อเนื่องและ Flow Matching มีศักยภาพเป็นทางเลือกที่แข็งแกร่งแทนวิธี autoregressive ในการสร้างแบบจำลองภาษา และสามารถปลดล็อกข้อได้เปรียบของโมดัลต่อเนื่อง เช่น การสุ่มตัวอย่างแบบเร่งและการเอียง งานวิจัยล่าสุดบรรลุการสร้างข้อมูลแบบไม่ต่อเนื่องอย่างต่อเนื่องผ่านกระบวนการ Flow Matching ที่เรียบง่ายระหว่างการแจกแจงแบบเกาส์เซียนและการแจกแจงข้อมูลแบบ one-hot และยืนยันความเป็นไปได้ของการสุ่มตัวอย่างแบบเร่งด้วย Categorical Flow Maps (CFMs) โดยคุณภาพตัวอย่างอยู่ในระดับที่แข่งขันได้
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- Apple Machine Learning Research(RSS)
- หมวดหมู่
- บทความและงานวิจัย
- คะแนน AI
- 64
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。
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: ขยายขนาด Categorical Flow Maps 7 สิงหาคม 2026 https://new.nat6.net/th/news/cmsj4jrne24d5ronkvb40rucl/