# Случайная повторная маскировка улучшает декодирование диффузионных моделей

> В статье на arXiv предложен способ исправлять ошибки при генерации с помощью маскированной диффузии; авторы сообщают о более высоких результатах в задачах на логику и программирование. В аннотации нет независимой проверки этих результатов.

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

Исследователи описывают Random Remask-Denoise (R²D) — метод, применяемый во время инференса: он иногда повторно маскирует уже сгенерированные токены, прежде чем снова их денойзить. По словам авторов, благодаря этому модель может исправлять ошибки декодирования без дообучения и обратной связи на основе вознаграждения. Авторы сообщают о точности выше 97% на сложных судоку и выше 99% на 3-SAT; они также утверждают, что метод превзошёл базовые методы итеративной коррекции и официальную точность LLaDA2.1-mini в режиме Q на HumanEval+. Эти результаты приведены в аннотации статьи, где независимая проверка не представлена.

## Факты

- В статье предложен R²D для инференса и Trajectory Correction Training — метод обучения денойзеров на ошибках, допущенных при собственной генерации.
- В записи arXiv указано, что статья отправлена 22 октября 2026 года.

## Почему это важно

Исследователи маскированных диффузионных моделей могут проверить, помогает ли повторная маскировка улучшать ответы на задачи по программированию и логике. Однако из аннотации неясно, насколько результаты применимы за пределами описанных тестов.

## Источники и ссылки

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

Обновлено: 2026-10-23