Pesquisadores descrevem o Random Remask-Denoise (R²D), um método aplicado no momento da inferência que, às vezes, mascara novamente tokens gerados antes de removê-los por denoising. Segundo o artigo, isso permite que o modelo revise erros de decodificação sem ajuste fino nem feedback de recompensa. Os autores relatam mais de 97% de precisão em quebra-cabeças difíceis de Sudoku e mais de 99% em 3-SAT; também afirmam que o método superou os métodos de referência de correção iterativa e a precisão oficial do modo Q do LLaDA2.1-mini no HumanEval+. Esses resultados são relatados no resumo do artigo, que não apresenta validação independente.
Por que importa
Pesquisadores que trabalham com modelos de difusão mascarada podem investigar se o remascaramento melhora as respostas geradas para tarefas de programação e lógica, mas o resumo não demonstra até que ponto os resultados se aplicam além dos testes relatados.
