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
- AI 工程师必须掌握的 10 个图工程概念 — goyalshaliniuk · 2026-07-26
- RF 工程师把分段调制器设计玩成了“缩小自己”梗 — jwt0625 · 2026-07-26
- 横滨街景用 1018 张照片重建成 400 万点 3DGS — janusch_patas · 2026-07-26
- 独立 AGI 项目日志：先做 13.2B 参数字节级因果模型 — flowersslop · 2026-07-26
- 递归研究智能体 AREX 4B 版本据称胜过 Qwen3.5-35B — imjustnewatai · 2026-07-26
- 新博客重谈 Dutch book 与 Sleeping Beauty 半化立场 — jessi_cata · 2026-07-26