Метод G-Star+ ускоряет работу диффузионных ИИ-моделей

Традиционные диффузионные модели, применяемые для генерации текста, часто сталкиваются с проблемой неисправимых ошибок: единожды выбранный токен фиксируется навсегда. В отличие от классических языковых моделей, они не генерируют контент линейно, что затрудняет исправление опечаток или смысловых неточностей на поздних стадиях. Новый метод G-Star+ меняет этот алгоритм, работая как встроенный корректор.

Система использует дополнительный обучаемый слой, который анализирует черновик и выявляет подозрительные участки. Вместо случайного перебора модель прицельно маскирует только сомнительные фрагменты, позволяя нейросети их переписать. Такой подход избавляет от необходимости полной переподготовки архитектуры, что делает внедрение технологии экономически выгодным для корпоративных сервисов и ИИ-ассистентов.

На конференции ICML 2026 в Сеуле авторы представили результаты тестов на семи бенчмарках, включая HumanEval и MMLU-PRO. При ограничении в 64–256 шагов генерации метод продемонстрировал заметный прирост качества: показатели модели Dream-Instruct 7B улучшились на 1,3–2,9% в зависимости от задачи. По словам Вячеслава Мещанинова из НИУ ВШЭ, технология сохраняет преимущество параллельной генерации, добавляя моделям гибкость при работе в условиях нехватки времени.