บทความและงานวิจัย

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
อ่านต้นฉบับ อ่านบทความฉบับเต็มที่แหล่งข่าวต้นฉบับ
เหตุผลที่แนะนำ

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

ลิงก์ต้นฉบับ · รายการ AIHOT

วิธีอ้างอิง

เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News

Orange News: ขยายขนาด Categorical Flow Maps 7 สิงหาคม 2026 https://new.nat6.net/th/news/cmsj4jrne24d5ronkvb40rucl/

ดูทั้งหมด →