# Remascaramento aleatório melhora decodificação por difusão mascarada

> Um artigo no arXiv propõe uma forma de corrigir erros durante a geração por difusão mascarada e relata resultados melhores em tarefas de lógica e programação. O resumo não apresenta validação independente.

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

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.

## Os fatos

- O artigo propõe o R²D para inferência e o Trajectory Correction Training para treinar denoisers com os próprios erros de geração.
- O registro do arXiv informa que o artigo foi enviado em October 22, 2026.

## 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.

## Fontes e referências

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

Última atualização: 2026-10-23