# Volver a enmascarar mejora la decodificación por difusión en un estudio

> Un artículo de arXiv propone un método para corregir errores durante la generación con difusión enmascarada y reporta mejores resultados en tareas de lógica y programación. El resumen no incluye una validación independiente.

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

Los investigadores describen Random Remask-Denoise (R²D), un método de inferencia que, durante la generación, vuelve a enmascarar algunos tokens antes de eliminarles la máscara. Según el artículo, esto permite que el modelo revise errores de decodificación sin ajustes finos ni retroalimentación basada en recompensas. Los autores reportan una precisión superior al 97% en problemas difíciles de Sudoku y superior al 99% en 3-SAT. También afirman que el método superó a los métodos de referencia de corrección iterativa y la precisión oficial del modo Q de LLaDA2.1-mini en HumanEval+. Estos resultados se reportan en el resumen del artículo, que no incluye una validación independiente.

## Los hechos

- El artículo propone R²D para la inferencia y Trajectory Correction Training para entrenar denoisers con sus propios errores de generación.
- El registro de arXiv indica que el artículo se presentó el October 22, 2026.

## Por qué importa

Los investigadores que trabajan con modelos de difusión enmascarada pueden estudiar si volver a enmascarar mejora las respuestas generadas de código y lógica, pero el resumen no demuestra hasta qué punto los resultados se generalizan más allá de las pruebas reportadas.

## Fuentes y referencias

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

Última actualización: 2026-10-23