Rodrigo Casado Noguerales, Dimitri von Rütte, Bernhard Schölkopf, Thomas Hofmann, Aran Raoufi · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28543 · open-access PDF
Los modelos de difusión discretos denotan iterativamente una secuencia ruidosa de datos categóricos como el texto, permitiendo la generación de cualquier orden con capacidades de auto-corrección y relleno. Esto los convierte en candidatos prometedores para razonar, planificar y tareas de generación restringida como codificación y matemáticas. Sin embargo, la difusión mascarada y uniforme borra la identidad de un token en un evento de corrupción único, por lo que sus estados ruidosos no pueden representar explícitamente una incertidumbre parcialmente resuelta en la que varias alternativas siguen siendo plausibles.
Machine translation (Meta M2M100); the English original follows.
Discrete diffusion models iteratively denoise a noisy sequence of categorical data such as text, enabling any-order generation with self-correction and in-filling capabilities. This makes them promising candidates for reasoning, planning, and constrained-generation tasks like coding and math. Yet masked and uniform diffusion erase a token's identity in a single corruption event, so their noisy states cannot explicitly represent partially resolved uncertainty in which several alternatives remain plausible. We close this gap with Binary Discrete Diffusion, a family of continuous-time discrete-di
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28543, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange