# Rastgele yeniden maskeleme, difüzyon çözümlemesini iyileştiriyor

> Bir arXiv makalesi, maskeli difüzyon üretimi sırasında hataları düzeltmeye yönelik bir yöntem öneriyor ve mantık ile kodlama görevlerinde daha iyi sonuçlar bildirdiğini belirtiyor. Özette bağımsız doğrulama sunulmuyor.

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

Araştırmacılar, üretilen belirteçlerin bazen yeniden maskelenip ardından gürültüden arındırıldığı, test sırasında kullanılan Random Remask-Denoise (R²D) yöntemini tanımlıyor. Makaleye göre bu yöntem, ince ayar yapmadan veya ödül geri bildirimi kullanmadan modelin çözümleme hatalarını yeniden ele almasını sağlıyor. Yazarlar, zor Sudoku bulmacalarında %97’nin üzerinde, 3-SAT’te ise %99’un üzerinde doğruluk bildirdiklerini; ayrıca yöntemin yinelemeli düzeltme yöntemlerini ve LLaDA2.1-mini’nin HumanEval+ üzerindeki resmi Q-mode doğruluk oranını geride bıraktığını söylüyor. Bunlar makalenin özetinde bildirilen sonuçlar; özette bağımsız doğrulama sunulmuyor.

## Gerçekler

- Makale, çıkarım için R²D yöntemini ve gürültü gidericileri kendi üretim hataları üzerinde eğitmek için Trajectory Correction Training yöntemini öneriyor.
- arXiv kaydında makalenin 22 Ekim 2026’da gönderildiği belirtiliyor.

## Neden önemli

Maskeli difüzyon modelleri üzerinde çalışan araştırmacılar, yeniden maskelemenin üretilen kod ve mantık yanıtlarını iyileştirip iyileştirmediğini inceleyebilir. Ancak özet, sonuçların bildirilen testlerin ötesinde ne ölçüde genellenebildiğini ortaya koymuyor.

## Kaynaklar ve referanslar

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

Son güncelleme: 2026-10-23