Rodrigo Casado Noguerales, Dimitri von Rütte, Bernhard Schölkopf, Thomas Hofmann, Aran Raoufi · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28543 · open-access PDF
분리된 확산 모델은 텍스트와 같은 분리된 데이터의 시끄러운 시퀀스를 반복적으로 비난하여 자기 교정 및 채우기 기능을 갖춘 모든 순서 생성을 가능하게합니다.이로 인해 그들은 추론, 계획 및 코딩 및 수학과 같은 제한된 생성 작업을위한 유망한 후보자가됩니다.그러나 마스크 및 일관된 확산은 단일 부패 이벤트에서 토큰의 정체성을 지울 수 있으므로 그들의 시끄러운 상태는 일부 해결 불확실성을 명시적으로 나타낼 수 없으며 여러 대안이 여전히 합리적입니다.우리는 이 격차를 바이너리 디스크레이트 확산 (Binary Discrete Diffusion)로 닫습니다.
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