标签
提出NF-CoT，一种使用归一化流来建模LLMs中连续思维的潜在推理框架，保留了自回归优势，并以更低的成本实现了更好的代码生成性能。
提出了一种用于训练输入凸神经网络（ICNN）的“提升”方法，该方法使用无约束的超网络生成非负的层间权重，从而软化损失景观并避免梯度衰减，相比投影梯度下降和softplus重参数化，实现了更低的测试损失。
本文介绍了归一化轨迹模型（NTM），这是一种基于扩散生成的新颖方法，它将反向步骤建模为具有精确似然训练的有条件归一化流。NTM 仅需四个步骤即可实现高质量的文本到图像生成，同时保留了似然框架，在标准基准测试中优于基线方法。
STARFlow2 是一项新的研究论文，介绍了一种将语言模型与自回归归一化流相结合的架构，用于统一的多模态生成。它通过使用共享的因果掩码机制处理交错的文本-图像序列，解决了现有系统中的结构不匹配问题。
FFJORD 引入了一种可扩展的可逆生成模型，使用连续动力学和 Hutchinson 迹估计器实现无偏对数密度估计，无需架构约束。该方法在密度估计和图像生成方面达到了最先进的结果，同时保持高效的采样。