arXiv · cs.AI· George Matthew (University of Exeter, United Kingdom), Guoqiang Zhang (University of Exeter, United Kingdom), Kenta Niwa (NTT Communication Science Laboratories, Japan)·· 11 小时前
TraceSampler：通过采样轨迹校正加速生成式采样误差
TraceSampler: Making Sampling Errors Predictable and Correctable for Accelerated Generative Sampling
arXiv:2610.14332v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：George Matthew (University of Exeter, United Kingdom), Guoqiang Zhang (University of Exeter, Kenta Niwa (NTT Communication Science Laboratories, Japan)
研究任务与主要进展
TraceSampler是一种生成模型后训练方法，在不修改预训练模型的情况下，利用采样轨迹预测并校正少步采样的端点误差。基于论文摘要，在10步设置下，它将CIFAR-10和ImageNet-256上的轨迹MSE较匹配步数Euler分别降低90.5%和85.6%，并以24倍更少的主干评估次数接近120步Heun参考结果；额外推理FLOPs低于0.4%。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org