Modeli büyütmek yerine, aynı transformer bloklarını döndürmek deneniyor.
Orijinal başlık: Looped Diffusion Transformer
KISACA
- Tek cümlede
- Araştırmacılar, her gürültü giderme adımında paylaşılan transformer bloklarını tekrar tekrar çalıştırıyor.
- Bulgu
- Böylece parametre sayısı sabit kalırken hesaplama derinliği artıyor ve iç temsiller adım adım iyileştiriliyor.
- Neden önemli?
- Bugüne dek görsel modeller büyütülerek ya da daha çok adımla geliştiriliyordu; bu üçüncü bir yol sunuyor.
Ne oldu?
Araştırmacılar, metinden görsele üretim modellerini büyütmenin geleneksel yolunun model boyutunu veya gürültü giderme (denoising) adım sayısını artırmak olduğunu belirtip, bunun yerine her gürültü giderme adımı içinde paylaşılan transformer bloklarını tekrar tekrar çalıştırarak parametre sayısını sabit tutup hesaplama derinliğini artıran alternatif bir ölçekleme yöntemi sunan Looped Diffusion Transformer'ı tanıtıyor. Bu döngüsel hesaplama, iç temsillerin adım adım iyileştirilmesini sağlıyor.
NOTUM
Döngüsel hesaplama, metinden görsele üretimde yeni bir ölçekleme ekseni açıyor.
BU NOTUN VİDEOSU
Aynı haberin kısa dikey video özeti.
Bu notu kaynak göstererek alıntılayabilirsin: Hasan Amanet, “Modeli büyütmek yerine, aynı transformer bloklarını döndürmek deneniyor.”, Notes for Data Science, 1 Ekim 2026.