Новый метод НИУ ВШЭ и Т-Технологий повышает качество работы ИИ

Ученые из лаборатории научных исследований «Т-Технологий» и Института искусственного интеллекта и цифровых наук факультета компьютерных наук НИУ ВШЭ разработали новый метод семплирования для моделей маскированной диффузии — G-Star+. Он помогает быстрее и качественнее исправлять ошибки во время генерации текста и кода за небольшое число шагов. Метод показал эффективность в задачах генерации текста и кода и может применяться там, где генеративным моделям нужно быстро и качественно создавать текст или код при ограниченных вычислительных ресурсах.

Разработка была представлена на ICML 2026 — одной из самых престижных конференций по искусственному интеллекту и машинному обучению уровня А*. Конференция прошла в Сеуле, Южная Корея, 6–11 июля.

Суть открытия

Диффузионные модели давно используются в задачах генерации изображений: они начинают с шума и постепенно уточняют результат, что позволяет им исправлять ошибки на следующих шагах генерации. В дискретной маскированной диффузии, которая применяется к тексту и коду, такой механизм самокоррекции работает хуже, так как модели маскированной диффузии не генерируют текст слева направо, как классические языковые модели, а постепенно заменяют замаскированные элементы на токены. В стандартных подходах уже выбранный токен часто фиксируется навсегда, и, если модель ошиблась на раннем этапе, исправить эту ошибку сложнее.

Исследователи из «Т-Технологий» и НИУ ВШЭ предложили новый подход к решению проблемы — Guided Star-Shaped sampler, или G-Star+. Он работает по принципу внутреннего редактора: находит подозрительные токены, снова маскирует именно их и дает модели возможность переписать проблемные места позже. При этом благодаря дообучению одного дополнительного слоя не требуется переобучать всю модель, что позволяет не тратить вычислительные ресурсы на случайные исправления и сфокусироваться на местах, где ошибка наиболее вероятна.

Метод G-Star+ был оценен на семи бенчмарках. MMLU и MMLU-PRO проверяли рассуждение по предметным областям, GSM8K оценивал решение математических школьных задач, GPQA — сложных научных вопросов, HumanEval и MBPP — генерацию Python-кода, а IFEval показывал, насколько хорошо модель следует инструкциям.

Уникальность метода

В отличие от методов, которые стирают уже сгенерированные токены случайно, G-Star+ использует обучаемый модуль, который предсказывает, какие именно фрагменты нужно пересмотреть. Этот модуль обучается не на искусственных грубых ошибках, например замене на случайные слова, а на ошибках, которые действительно делает сама диффузионная модель и которые сложнее обнаружить, чем очевидно случайные замены.

Метод G-Star+ показал преимущество перед другими методами в режимах быстрой генерации, когда у модели есть ограниченное число шагов на подготовку ответа: наиболее заметное преимущество было при 64–256 шагах генерации. Исследователи провели прямое сравнение между гибридным Star+, базовым MDLM и собственным методом G-Star+. Результаты показали, что по метрике MAUVE, которая показывает, насколько сгенерированные тексты похожи на естественные, G-Star+ превосходит иные методы. Метод также показал прирост качества на большой модели Dream-Instruct 7B. Например, результат на MMLU вырос на 1,3%, на GPQA — на 1,8%, а на IFEval — на 2,9%.

Практическое применение

G-Star+ может применяться в задачах, где генеративным моделям нужно быстро и качественно создавать текст или код при ограниченных вычислительных ресурсах. Это важно для ИИ-ассистентов, чат-ботов, инструментов генерации и автодополнения кода, корпоративных сервисов для подготовки документов и других сценариев, где стоимость и скорость ответа имеют значение.

За счет того, что G-Star+ не требует полного переобучения большой модели, подход можно применять как дополнительный слой улучшения для уже существующих моделей маскированной диффузии.

Даниил Гаврилов, руководитель лаборатории фундаментальных научных исследований искусственного интеллекта Группы «Т-Технологии»

«G-Star+ можно сравнить с корректором текстов, который просматривает черновик и исправляет только те места, где могут быть ошибки. Прочитав весь текст, “корректор” возвращается к проблемным местам и исправляет эти ошибки.

На практике наш метод помогает получать более качественные ответы быстрее и дешевле с точки зрения вычислительных ресурсов. Мы видим его применение в корпоративных сервисах, в образовании и в других отраслях, где очень важно качество выдаваемого текста или кода».

Вячеслав Мещанинов, сотрудник Центра глубинного обучения и байесовских методов Института ИИиЦН ФКН

«G-Star+ меняет саму логику генерации в маскированной диффузии: модель больше не обязана навсегда фиксировать первый выбранный токен. Вместо этого она строит полный черновик ответа, оценивает, где могла ошибиться, и возвращает в маску именно сомнительные фрагменты.

Важность работы в том, что такой механизм можно добавить к уже обученным моделям с небольшими затратами. Это делает диффузионные языковые модели ближе к практическому использованию: они сохраняют преимущество параллельной генерации, но получают способность к осмысленному редактированию, особенно в режимах, где времени на много шагов исправления нет».

Взаимодействие Т-Банка и Института ИИиЦН ФКН НИУ ВШЭ реализуется в рамках индустриального партнерства с Центром ИИ 3-й волны.