Rodrigo Casado Noguerales, Dimitri von Rütte, Bernhard Schölkopf, Thomas Hofmann, Aran Raoufi · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28543 · open-access PDF
Các mô hình phân tán khác nhau lặp đi lặp lại một chuỗi dữ liệu phân loại ồn ào như văn bản, cho phép tạo ra bất kỳ thứ tự nào với khả năng tự sửa chữa và điền vào. Điều này làm cho chúng trở thành những ứng cử viên đầy hứa hẹn cho lý luận, lập kế hoạch và các nhiệm vụ tạo ra hạn chế như mã hóa và toán học. Tuy nhiên, phân tán ẩn và đồng đều xóa danh tính của một token trong một sự kiện tham nhũng duy nhất, vì vậy trạng thái ồn ào của chúng không thể biểu thị rõ ràng sự không chắc chắn được giải quyết một phần trong đó một số lựa chọn thay thế vẫn còn khả thi.
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