# Il remasking casuale migliora la decodifica nella diffusione mascherata

> Un articolo su arXiv propone un metodo per correggere gli errori durante la generazione con diffusione mascherata e riporta risultati migliori nei compiti di logica e programmazione. L’abstract non include verifiche indipendenti.

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

I ricercatori presentano Random Remask-Denoise (R²D), un metodo applicato al momento dell’inferenza che, in alcuni casi, rimaschera i token generati prima di procedere nuovamente alla denoising. Secondo l’articolo, così il modello può correggere gli errori di decodifica senza essere sottoposto a fine-tuning né ricevere feedback basati su ricompense. Gli autori riportano un’accuratezza superiore al 97% nei Sudoku difficili e al 99% su 3-SAT; affermano inoltre che il metodo ha superato i metodi di riferimento basati sulla correzione iterativa e l’accuratezza ufficiale in modalità Q di LLaDA2.1-mini su HumanEval+. Si tratta di risultati riportati nell’abstract dell’articolo, che non presenta verifiche indipendenti.

## I fatti

- L’articolo propone R²D per l’inferenza e Trajectory Correction Training per addestrare i modelli denoiser sui propri errori di generazione.
- La scheda su arXiv indica che l’articolo è stato inviato il 22 ottobre 2026.

## Perché conta

I ricercatori che lavorano sui modelli a diffusione mascherata possono verificare se il remasking migliora i risultati generati in programmazione e logica, ma l’abstract non dimostra quanto i risultati siano generalizzabili oltre i test riportati.

## Fonti e riferimenti

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

Ultimo aggiornamento: 2026-10-23