# دراسة: إعادة الإخفاء العشوائية تحسّن فك ترميز الانتشار المقنّع

> تقترح ورقة على arXiv طريقة لتصحيح الأخطاء أثناء التوليد بالانتشار المقنّع، وتفيد بتحقيق نتائج أقوى في مهام المنطق والبرمجة. ولا يتضمن الملخص تحققًا مستقلًا من النتائج.

Oossa · 2026-10-23 · https://oossa.com/ar/random-remasking-improves-masked-diffusion-decoding-in-study

يعرض باحثون طريقة Random Remask-Denoise (R²D)، وهي أسلوب يُطبّق وقت الاستدلال ويعيد أحيانًا إخفاء الرموز المُولّدة قبل إزالة الإخفاء عنها. وتقول الورقة إن ذلك يتيح للنموذج مراجعة أخطاء فك الترميز من دون ضبط دقيق أو تغذية راجعة قائمة على المكافآت. ويفيد المؤلفون بتحقيق دقة تتجاوز 97% في ألغاز سودوكو الصعبة، وأكثر من 99% في 3-SAT؛ كما يقولون إن الطريقة تفوقت على الأساليب الأساسية للتصحيح التكراري، وعلى دقة وضع Q الرسمية في LLaDA2.1-mini على HumanEval+. وهذه نتائج وردت في ملخص الورقة، الذي لا يقدم تحققًا مستقلًا منها.

## الحقائق

- تقترح الورقة R²D للاستدلال، وTrajectory Correction Training لتدريب نماذج إزالة الضوضاء على أخطاء التوليد التي ترتكبها بنفسها.
- يُظهر سجل arXiv أن الورقة قُدّمت في October 22, 2026.

## لماذا يهم

يمكن للباحثين العاملين على نماذج الانتشار المقنّع دراسة ما إذا كانت إعادة الإخفاء تحسّن إجابات البرمجة والمنطق المُولّدة، لكن الملخص لا يثبت مدى قابلية تعميم النتائج خارج الاختبارات المذكورة.

## المصادر والمراجع

1. [Random Remasking Scales Masked Diffusion Inference](https://arxiv.org/abs/2610.30744) – arXiv cs.LG, 2026-10-23

آخر تحديث: 2026-10-23