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
- EMNLP Oral 论文：免训练 KV 缓存驱逐实现 10 倍内存压缩 — yuz9yuz · 2026-10-27
- ICML 2026立场论文:别把中间token叫「思考轨迹」 — rao2z · 2026-10-27
- forking 收官：probe gap 随上下文频率呈幂律，掩蔽低频 n-gram 可缩小差距 — ZimingLiu11 · 2026-10-27
- 「forking」机制拆解：n-gram 表把 logits 切成互不干扰的子空间 — ZimingLiu11 · 2026-10-27
- 被称最佳 LoRA 讲解视频：从几何直觉讲到任务内在维度 — sophiamyang · 2026-10-27
- 不改一个权重，机器人精度任务从 0/10 提到 9/10 — hbouammar · 2026-10-27