محققان در مقاله جدید خود به سراغ چالش مهمی در مدلهای انتشار (Diffusion Models) رفتهاند: «ترتیب تولید توکنها». برخلاف تصور، مدلهای فعلی همیشه بهترین ترتیب را برای تولید تصویر یا درک مفاهیم چندوجهی انتخاب نمیکنند.
تیم پژوهشی با معرفی یک «کنترلگر یادگیرنده» که با استفاده از الگوریتم GRPO آموزش دیده، به مدل یاد میدهند که در هر مرحله، چه توالی خاصی را برای تولید تصویر یا تحلیل محتوا انتخاب کند. این رویکرد نوآورانه باعث بهبود چشمگیر ۴ درصدی در دقت تولید و درک روابط پیچیده فضایی در تصاویر شده است.
این تحقیق گامی مهم برای افزایش دقت مدلهای چندوجهی در کاربردهای حساس و دقیق است.
منبع: arXiv Machine Learning
