# Zufälliges erneutes Maskieren verbessert Diffusions-Decoding

> Ein arXiv-Paper schlägt eine Methode vor, um Fehler bei der Generierung mit maskierter Diffusion zu korrigieren. Laut den Ergebnissen verbessert sie die Leistung bei Logik- und Programmieraufgaben. Im Abstract wird keine unabhängige Überprüfung der Ergebnisse angegeben.

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

Forschende stellen Random Remask-Denoise (R²D) vor, eine Methode für die Inferenz, bei der generierte Tokens vor dem Entrauschen gelegentlich erneut maskiert werden. Laut dem Paper kann ein Modell so Decoding-Fehler erneut bearbeiten, ohne Fine-Tuning oder Feedback aus Belohnungssignalen. Die Autoren berichten von einer Genauigkeit von mehr als 97% bei schwierigen Sudoku-Rätseln und mehr als 99% bei 3-SAT. Außerdem geben sie an, dass die Methode iterative Korrektur-Baselines sowie die offizielle Q-Mode-Genauigkeit von LLaDA2.1-mini bei HumanEval+ übertraf. Diese Ergebnisse stammen aus dem Abstract des Papers; dort wird keine unabhängige Überprüfung angegeben.

## Die Fakten

- Das Paper schlägt R²D für die Inferenz und Trajectory Correction Training vor, um Denoiser anhand ihrer eigenen Generierungsfehler zu trainieren.
- Laut dem arXiv-Eintrag wurde das Paper am October 22, 2026 eingereicht.

## Warum es wichtig ist

Forschende, die mit Modellen für maskierte Diffusion arbeiten, können untersuchen, ob erneutes Maskieren die generierten Code- und Logikantworten verbessert. Das Abstract belegt jedoch nicht, wie gut sich die Ergebnisse auf andere als die genannten Tests übertragen lassen.

## Quellen und Referenzen

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

Zuletzt aktualisiert: 2026-10-23