上下文加权 Flow Matching 在 OpenWebText 上降困惑度 63%
burny_tech · x · 2026-07-26
这篇关于 Context-weighted Discrete Flow Matching 的论文提出了一个简单但有效的改动，用来提升离散生成模型。
- 传统 DFM 会把所有被遮盖的 token 一视同仁，但实际上有些 token 能从局部上下文中更容易推断出来。
- 作者按“上下文可用程度”给 token 加权，让更可预测的位置优先填充，并在训练中获得更高权重。
- 这个方法几乎不增加额外开销，却能显著提升生成质量：在 OpenWebText 上 perplexity 最多下降 63%，MAUVE 最多提升 24%。
- 在分子生成任务中，它也能在保留任意顺序生成能力的同时，生成更多合法分子。
所属事件:Meta与阿姆斯特丹大学提出上下文加权离散Flow Matching(2 条相关)→
「研究」频道最新
- HF 工程师争论:非生成任务全用因果注意力是在浪费算力 — antoine_chaffin · 2026-09-11
- 智利学者：AI 反馈规模化是医学教育可持续的关键 — julianvarascom · 2026-09-11
- Nature 新研究实现全身器官细胞活动成像,揭示跨器官体级回路 — arjunrajlab · 2026-09-11
- SignNet 1M 手语数据集发布 — ducha_aiki · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- InFlux++ 方法发布 — ducha_aiki · 2026-09-11