研究者提出按掩码率分档的文本评估方法

Yiqi Liu等人提出“率分辨文本评估”，把掩码扩散语言模型的掩码率变成诊断维度：在不同掩码比例下重建文本，单个扩散分数由此变成一组分档分数，反映不同可见上下文下的重建难度。 在SummEval上，保留这种分档结构可提供补充信号：最佳掩码率档位在与自回归似然融合时优于压缩成单一扩散标量，并通过打乱样本顺序、破坏档位次序的对照，还能为固定的提示评判器增加残差信号；第二个扩散模型复现该效应但更弱。在WMT MQM中英任务上，往返掩码重建探测产生可调的定位曲线，排序导向的AUROC与片段检测F1在不同掩码率下各自达到峰值。 作者称，事实性基准限制了这一解释：档位语义依赖模型和任务，每个应用都需经验验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。