Toutes les news taguées avec ce sujet.
Une étude contrôlée sur 36 comparaisons montre qu'aucune méthode d'auto-critique ne surpasse le sampling répété une fois le coût en tokens égalisé.
Google déprécie les paramètres classiques de sampling temperature, top_p et top_k sur ses derniers modèles.
Une méthode sans apprentissage pour conditionner divers modèles stochastiques complexes via des SDE rétrogrades.
Une analyse numérique révèle pourquoi le CFG à fort guidage déstabilise DDIM et propose une correction à coût zéro.
Une méthode de sampling corrélé qui réduit la redondance lors du scaling de l'inférence, sans sacrifier la parallélisation ni la rigueur statistique.