免标签最优传输耦合助力高尺度CFG,ImageNet-256达FID 1.91
AlexanderTong7 · x · 2026-10-13
- Alexander Tong 团队发布新预印本 Global Transport (GT)，用于 classifier-free guided flow 模型的训练耦合。
- 核心发现：在条件生成场景下，简单的小批量最优传输（minibatch OT）意外地表现极佳。
- 方法关键是在高 CFG 尺度下去掉类别标签，采用无标签的 OT 耦合，意外地在高 CFG 尺度下击败了类别条件 OT 和独立耦合。
- 在 ImageNet-256 上达到 FID 1.91，证明了简单方法在高尺度引导下的稳定性优势。
「研究」频道最新
- 11 个多模态 LLM 实测:装上工具后拒答有害请求能力最多降 68.7% — lateinteraction · 2026-10-13
- NYT Connections 扩展榜:Muse Wonder 得 93.4 分居前列但费用最贵之一 — zero0_one1 · 2026-10-13
- Polymarket 押注：AI 研发的皮肤癌疫苗获 FDA 批准概率 67% — Polymarket · 2026-10-13
- 学者质疑「一个世界模型覆盖多领域」说法：领域专属训练不该如此宣称 — DrMorganLevine · 2026-10-13
- 研究生求助:60人问卷人工评估模型输出,在ML研究里靠谱吗 — Dapper-Perspective21 · 2026-10-13
- AI数学突破多是暴力搜索反例，而非洞察定理 — jonippolito · 2026-10-13