# Le remasquage aléatoire améliore le décodage par diffusion masquée

> Un article publié sur arXiv propose une méthode pour corriger les erreurs lors de la génération par diffusion masquée et fait état de meilleurs résultats en logique et en programmation. Le résumé ne fournit pas de validation indépendante.

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

Des chercheurs présentent Random Remask-Denoise (R²D), une méthode utilisable à l’inférence qui consiste parfois à masquer de nouveau des tokens générés avant de les débruiter. Selon l’article, le modèle peut ainsi revenir sur des erreurs de décodage sans réglage fin ni retour de récompense. Les auteurs rapportent une précision supérieure à 97 % sur des grilles de Sudoku difficiles et à 99 % sur 3-SAT. Ils indiquent également que la méthode a surpassé les méthodes de référence fondées sur la correction itérative, ainsi que la précision officielle en mode Q de LLaDA2.1-mini sur HumanEval+. Ces résultats sont rapportés dans le résumé de l’article, qui ne fournit pas de validation indépendante.

## Les faits

- L’article propose R²D pour l’inférence et Trajectory Correction Training pour entraîner des modèles de débruitage à partir des erreurs de leurs propres générations.
- La fiche arXiv indique que l’article a été soumis le 22 octobre 2026. 

## Pourquoi c'est important

Les chercheurs qui travaillent sur les modèles de diffusion masquée peuvent étudier si le remasquage améliore les réponses générées en programmation et en logique. Le résumé ne permet toutefois pas d’établir dans quelle mesure les résultats se généralisent au-delà des tests rapportés.

## Sources et références

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

Dernière mise à jour: 2026-10-23