# بازماسک‌گذاری تصادفی، رمزگشایی انتشارِ ماسک‌شده را بهبود می‌دهد

> مقاله‌ای در arXiv روشی برای اصلاح خطاها هنگام تولید با انتشارِ ماسک‌شده پیشنهاد می‌کند و از نتایج بهتر در آزمون‌های منطق و برنامه‌نویسی خبر می‌دهد. چکیده مقاله اعتبارسنجی مستقل ارائه نمی‌کند.

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

پژوهشگران روش Random Remask-Denoise (R²D) را معرفی می‌کنند؛ روشی هنگام استنتاج که گاهی توکن‌های تولیدشده را دوباره ماسک می‌کند و سپس آن‌ها را از حالت ماسک خارج می‌کند. به‌گفته مقاله، این کار به مدل اجازه می‌دهد بدون تنظیم دقیق یا دریافت بازخورد پاداش، خطاهای رمزگشایی را بازبینی کند. نویسندگان می‌گویند این روش در معماهای دشوار سودوکو به دقتی بیش از 97% و در 3-SAT به دقتی بیش از 99% رسیده است؛ همچنین مدعی‌اند این روش در HumanEval+ از روش‌های پایه مبتنی بر اصلاح تکرارشونده و دقت رسمی Q-mode مدل LLaDA2.1-mini بهتر عمل کرده است. این نتایج در چکیده مقاله گزارش شده‌اند و در همان‌جا اعتبارسنجی مستقلی ارائه نشده است.

## حقایق

- این مقاله R²D را برای مرحله استنتاج پیشنهاد می‌کند و روش Trajectory Correction Training را برای آموزش مدل‌های نویززدایی با استفاده از خطاهای تولیدهای خودشان معرفی می‌کند.
- در سابقه arXiv آمده است که مقاله در 22 اکتبر 2026 ارسال شده است.

## چرا مهم است

پژوهشگرانی که روی مدل‌های انتشارِ ماسک‌شده کار می‌کنند می‌توانند بررسی کنند که آیا بازماسک‌گذاری، پاسخ‌های تولیدشده در برنامه‌نویسی و منطق را بهبود می‌دهد یا نه؛ اما چکیده نشان نمی‌دهد که نتایج تا چه اندازه فراتر از آزمون‌های گزارش‌شده قابل تعمیم‌اند.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-10-23