实践方面：基于理论分析，在实践中取得了改进。在计算资源相当的情况下，优化训练目标达到了当前最优的性能。同时，通过引入均匀噪声，提高了样本质量，并实现了自校正能力（见图1和表1）。

无需强化学习等后训练，扩散在语言建模中实现了自我纠错，达到了计算效率匹配的最优性能，找到了证据下界（ELBO）的理论上的闭式解，在实验 ...

在当今快速发展的人工智能领域，自我纠错能力的调研及其创新愈发引发人们的关注。近日，由苏黎世联邦理工学院及其他合作机构的研究团队发布了一项令人振奋的研究成果：全新的离散扩散模型——广义插值离散扩散（General Interpolating Discrete ...

GIDD不仅更灵活，而且在理论上得到了证据下界（evidence lower bound，ELBO）的闭式解。 实验结果表明：GIDD样本质量（生成困惑度，PPL）最高可提升55%。