# Where Quality Breaks in Compressed Short-Text Generation: Staged Bottleneck Localization

Canonical HTML: https://aogavrilov.com/hu/publications/where-quality-breaks/

Document language: hu

Hol romlik a minőség a tömörített rövidszöveg-generálásban? A szűk keresztmetszet szakaszos lokalizálása

A tömörített rövidszöveg-generálás szakaszos diagnosztikája, amely elkülöníti a kodek rekonstrukciós veszteségét a látens generálás veszteségétől.

[Alexey Gavrilov](https://orcid.org/0009-0006-3147-5430) 1 [Alan-Barsag Gazzaev](https://orcid.org/0009-0000-0334-312X) 1 [Sergey Muravyov](https://orcid.org/0000-0002-4251-1744) 1

1. [ITMO University, Saint Petersburg, Russia](https://en.itmo.ru/)

[A teljes tanulmány elolvasása HTML-formátumban](https://aogavrilov.com/publications/where-quality-breaks/full-text/) Kereshető szöveg képletekkel, táblázatokkal, ábrákkal és hivatkozásokkal.

Elfogadott végleges kézirat (a szerző által közzétett, DOI-val ellátott változat). © 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting or republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works. [A közzététel és újrafelhasználás feltételei](https://journals.ieeeauthorcenter.ieee.org/become-an-ieee-journal-author/publishing-ethics/guidelines-and-policies/post-publication-policies/) .

## A tanulmány 30 másodpercben

**Kutatási kérdés** Hogyan tulajdonítható a tömörített szöveggenerálási folyamat minőségromlása külön-külön a kodeknek és a látens generátornak?

### Probléma

A tömörített rövidszöveg-generálásban a dekódolt szöveg gyenge minőségét okozhatja a kodek információvesztése vagy a látens térbeli generálás elégtelensége. A végponttól végpontig számított pontszámok összemossák e hibamódokat, ezért az optimalizálás könnyen a folyamat rossz elemére irányulhat.

### Megközelítés

A szakaszos protokoll ugyanazzal a külső GPT-2-értékelővel pontozza az eredeti mintákat, a hozzájuk párosított kodekrekonstrukciókat, valamint a tokentérbeli MDLM és a kódtérbeli diffúzió kimeneteit. A kódkönyvre és a geometriára vonatkozó mérőszámok diagnosztikai eszközök maradnak: nem helyettesítik a dekódolt szöveg minőségének mérését.

### Fő eredmény

A kodekrekonstrukció a külső perplexitás mediánját 15.17-ről 27.36-ra, p95-értékét pedig 25.10-ről 98.91-ra növeli. A kódtérbeli MDLM ennek ellenére 30.9%-kal csökkenti a medián perplexitást a tokentérbeli MDLM-hez képest.

### Miért fontos?

Az eredmény a kodek szűk keresztmetszetének diagnózisát végrehajtható munkasorrenddé alakítja: először a kodek javítását kell előnyben részesíteni, ezt követően a tokentérbeli és kódtérbeli generálást összehasonlítani, a látens helyettesítő mutatók javulásában pedig csak akkor megbízni, ha a dekódolt szöveg is javul.

## Kivonat

A tömörített rövidszöveg-generátorok két különböző ponton hibázhatnak: a kodek már a generálás megkezdése előtt információt veszíthet, vagy a látens generátor gyenge kódokat állíthat elő. E hibamódok elkülönítése nélkül a kutatók számítási erőforrásokat fordíthatnak a nem megfelelő komponens javítására. A problémát egy ellenőrzött, 64-ről 16-ra tömörítő TinyStories-esettanulmányban vizsgáljuk, amely hierarchikus VQ-VAE-2 kodekre és maszkolt diszkrét diffúziós generátorra (MDLM) épül. Olyan szakaszos validációs protokollt alkalmazunk, amely egyetlen közös külső GPT-2 értékelőmodell mellett külön méri a kodekrekonstrukció hűségét, a látens generálás minőségét és a kiegészítő látens diagnosztikai mutatókat; a geometriai vizsgálathoz emellett kiegészítő szemantikai metrikákat is közlünk. A vizsgált konfigurációban önmagában a kodekrekonstrukció 15.17-ről 27.36-ra (+80.4%) növeli a külső perplexitás mediánját, p95-értékét pedig 25.10-ről 98.91-ra (+294.1%); ez arra utal, hogy a meghatározó minőségromlás a látens generálás kezdete előtt jelentkezik. Ugyanazon értékelőmodell szerint a kódtérbeli MDLM továbbra is érdemben jobb a tokentérbeli diffúziónál: rendre 32.9%-kal, 30.9%-kal és 36.6%-kal csökkenti az átlagot, a mediánt és a p95-értéket. A geometriatudatos regularizáció javítja a lokális látens helyettesítő mutatókat, a rendelkezésre álló futtatásokban azonban nem javítja a dekódolt szöveg metrikáit. A hozzájárulás módszertani, nem pedig algoritmikus: a tanulmány egy konkrét folyamatlánchoz újrafelhasználható, szakaszos diagnosztikát mutat be, és szemlélteti, hogy ebben a környezetben a gyakorlati minőségi plafont a kodekhűség, nem pedig a látens zajmentesítés határozza meg.

Megjelenés helye 2026 39th Conference of Open Innovations Association (FRUCT)

A hozzájárulás típusa Diagnosztikai módszertan

2026. április 28. 1. szám 69–76. o. Fő konferencia

DOI [https://doi.org/10.23919/FRUCT70069.2026.11506553](https://doi.org/10.23919/FRUCT70069.2026.11506553)

## Tartalom Ezen az oldalon

## Fő eredmények

| Értékelési pont | n | Átlagos PPL | Medián PPL | p95 PPL |
| --- | --- | --- | --- | --- |
| Eredeti szövegek | 256 | 16.24 | 15.17 | 25.1 |
| Kodekrekonstrukciók | 256 | 37.26 | 27.36 | 98.91 |
| AR-alapmodell | 251 | 30.98 | 23.27 | 56.11 |
| Tokentérbeli MDLM | 256 | 44.74 | 38.42 | 93.6 |
| Kódtérbeli MDLM | 256 | 30.01 | 26.55 | 59.36 |

**Fő eredmény.** A megfigyelt minőségromlás nagy része már a generálás előtt bekövetkezik; a kódtérbeli diffúzió ennek ellenére 30.9%-kal csökkenti a medián perplexitást a tokentérbeli diffúzióhoz képest.

Eredmények letöltése: [CSV](https://aogavrilov.com/publications/where-quality-breaks/results.csv) [JSON](https://aogavrilov.com/publications/where-quality-breaks/results.json) [Markdown](https://aogavrilov.com/publications/where-quality-breaks/results.md) Külső tükörpéldány: [Hugging Face-adatlap](https://huggingface.co/datasets/aogavrilov/where-quality-breaks-results)

## PDF és hivatkozás

**Hivatkozás erre a tanulmányra** A BibTeX az ajánlott formátum. Az alábbi változatok mindegyike ugyanabból a publikációs rekordból készül.

```
@inproceedings{Gavrilov2026WhereQuality,
  title      = {Where Quality Breaks in Compressed Short-Text Generation: Staged Bottleneck Localization},
  author     = {Gavrilov, Alexey and Gazzaev, Alan-Barsag and Muravyov, Sergey},
  booktitle  = {2026 39th Conference of Open Innovations Association (FRUCT)},
  publisher  = {IEEE},
  year       = {2026},
  pages      = {69--76},
  doi        = {10.23919/FRUCT70069.2026.11506553},
  url        = {https://doi.org/10.23919/FRUCT70069.2026.11506553},
  isbn       = {978-952-65246-5-8},
}
```

Hivatkozási fájlok: [APA-szöveg](https://aogavrilov.com/publications/where-quality-breaks/citation-apa.txt) [IEEE-szöveg](https://aogavrilov.com/publications/where-quality-breaks/citation-ieee.txt) [RIS](https://aogavrilov.com/publications/where-quality-breaks/citation.ris) [CSL-JSON](https://aogavrilov.com/publications/where-quality-breaks/citation.json) [Schema.org JSON-LD](https://aogavrilov.com/publications/where-quality-breaks/metadata.jsonld) [OAI-DC XML](https://aogavrilov.com/publications/where-quality-breaks/oai-dc.xml) [OpenAIRE v4 XML](https://aogavrilov.com/publications/where-quality-breaks/openaire.xml) [MODS XML](https://aogavrilov.com/publications/where-quality-breaks/mods.xml) [JATS 1.4 metaadat-XML](https://aogavrilov.com/publications/where-quality-breaks/metadata.jats.xml) [Teljes szövegű JATS 1.4 XML](https://aogavrilov.com/publications/where-quality-breaks/full-text/article.jats.xml) [RDF Turtle](https://aogavrilov.com/publications/where-quality-breaks/metadata.ttl) [Hivatkozáskészlet (JSON)](https://aogavrilov.com/publications/where-quality-breaks/linkset.json) [Hivatkozáskészlet (HTTP)](https://aogavrilov.com/publications/where-quality-breaks/linkset) [RO-Crate](https://aogavrilov.com/publications/where-quality-breaks/ro-crate-metadata.json)

DOI: [https://doi.org/10.23919/FRUCT70069.2026.11506553](https://doi.org/10.23919/FRUCT70069.2026.11506553)

Teljes útmutató

## Teljes kutatási útmutató

## Módszer

## 

A tanulmány mindhárom értékelési szakaszban ugyanazt az értékelőt használja, így minden további átalakításhoz mérhető minőségi eltérés rendelhető.

1. Rekonstruálás Minden 64 tokenes TinyStories-mintát kódoljunk 16 felső szintű kóddá, majd azonnal dekódoljuk a kodek rekonstrukciós veszteségének méréséhez.
2. Generálás Az MDLM segítségével generáljunk szövegtokeneket vagy diszkrét látens kódokat, majd a kódtérbeli mintákat ugyanazzal a betanított kodekkel dekódoljuk.
3. Összehasonlítás Az eredeti, rekonstruált és generált szövegeket ugyanazzal a külső GPT-2-protokollal értékelje, beleértve a mediánra és az eloszlás széleire vonatkozó statisztikákat is.

![A tömörített szöveg generálásának szakaszos folyamatábrája: az eredeti szöveg, a kodekrekonstrukció, a kódtérbeli MDLM és a dekódolt szöveg összevetésével különíti el a kodek veszteségét a generálás veszteségétől.](https://aogavrilov.com/publications/where-quality-breaks/staged-codec-bottleneck-localization.svg)

**A szűk keresztmetszet szakaszos lokalizálása a dekódolt szövegre alkalmazott egységes értékelési protokollal különíti el a kodek rekonstrukciós veszteségét a látens generálás veszteségétől.* Forrás: [A szerző által készített magyarázó ábra a közzétett módszer és eredmények alapján.](https://doi.org/10.23919/FRUCT70069.2026.11506553) . Újrafelhasználási feltételek: [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) . Javasolt hivatkozás: Gavrilov, Gazzaev, and Muravyov (2026), Where Quality Breaks in Compressed Short-Text Generation. [SVG letöltése](https://aogavrilov.com/publications/where-quality-breaks/staged-codec-bottleneck-localization.svg) .*

### Alapgondolat

Egy későbbi generátor nem képes visszaállítani a kodek által már elvetett információt. Ezért a látens generálás eredményeinek értelmezése előtt auditálni kell a rekonstrukciós szakaszt.

### Eltérés a kapcsolódó megközelítésektől

A szokásos végponttól végpontig terjedő összehasonlítások egyetlen végső generálási pontszámot közölnek. Ez a protokoll párosított rekonstrukciós ellenőrzőpontot iktat be, és elkülöníti a látens tér állapotmutatóit a dekódolt szövegen nyert bizonyítékoktól.

### Mi az újdonság?

A hozzájárulás nem új zajtalanító algoritmus, hanem egy konkrét tömörítettszöveg-folyamatban újra felhasználható, szakaszos diagnosztikai módszertan.

## Kérdések, amelyek megválaszolásához e tanulmány hozzájárul

## 

Nyisson meg egy kérdést a tanulmányon alapuló tömör válaszért. A bizonyítékok részletes érvényességi határait a Korlátok szakasz ismerteti.

1. Hol romlik el a minőség a tömörített rövidszöveg-generálásban? A vizsgált, 64-ről 16-ra tömörítő TinyStories-folyamatban a meghatározó minőségromlás a kodekrekonstrukció során, még a látens generálás kezdete előtt jelentkezik. A külső GPT-2-perplexitás mediánja az eredeti szöveg 15.17-es értékéről a rekonstrukció után 27.36-ra, míg a p95 25.10-ről 98.91-re nő. Ez egyetlen konfiguráció eredménye, nem pedig a kodekek általános érvényű rangsora.
2. Hogyan különíthető el a kodek vesztesége a látens generálás veszteségétől? A szakaszos protokoll az eredeti mintákat, a hozzájuk párosított kodekrekonstrukciókat és a végső generált szöveget ugyanazzal a külső értékelővel vizsgálja. Az eredeti és a rekonstrukció közötti eltérés a kodek hozzájárulását becsüli, míg a rekonstrukció és a generált kimenet összevetése segít lokalizálni a generálási szakasz további veszteségét. A látens reprezentáció állapotmutatóit a dekódolt szövegből származó bizonyítékoktól elkülönítve közlik.
3. Hogyan értékelendő a diszkrét látens reprezentációkon alapuló szöveggenerálás? A tanulmány azt javasolja, hogy a generátorok összehasonlítása előtt ellenőrizzük a rekonstrukció hűségét, minden szakaszban ugyanazt a dekódoltszöveg-értékelőt alkalmazzuk, és közöljük az eloszlás közepére, valamint széleire vonatkozó statisztikákat. A kódkönyv kihasználtságát, geometriáját és más látens helyettesítő mutatókat diagnosztikai eszközként, nem pedig a dekódolt szöveg minőségének helyettesítőjeként kezeli.
4. Felülmúlja-e a kódtérbeli diffúzió a tokentérbeli diffúziót? A közös értékelővel és a vizsgált beállításban a kódtérbeli MDLM rendre 32.9%, 30.9% és 36.6% mértékben csökkenti az átlagos, a medián és a p95 perplexitást a tokentérbeli MDLM-hez képest. Az összevetés leíró jellegű és konfigurációspecifikus: nem állapít meg általános rangsort adatkészletek, tömörítési arányok, kodekek vagy diffúziós architektúrák között.
5. A látens geometria kedvezőbb mérőszámai garantálják-e a jobb generált szöveget? Nem. A rendelkezésre álló párosított futásokban a geometriatudatos regularizáció javította a látens tér lokális helyettesítő mérőszámait, a dekódolt szöveg mérőszámait azonban nem. Az eredmény azt támasztja alá, hogy minden helyettesítő mérőszámon elért javulást a végső dekódolt kimeneten kell ellenőrizni, az átvitel hiányát pedig hasznos negatív eredményként, nem pedig a generálás javulásának bizonyítékaként kell kezelni.

## Összehasonlítás a kapcsolódó megközelítésekkel

## 

| Megközelítés | Reprezentáció | Vezérlés / diagnosztika | Mit őriznek meg vagy mérnek? |
| --- | --- | --- | --- |
| Tokentérbeli diffúzió | Szövegtokenek | Generálási minőség a tokentérben | A közvetlen generálás folyamatossága és az értékelő viselkedése |
| Tömörített látens generálás | Diszkrét látens kódok kodek alkalmazásával | A teljes folyamat végső generálási minősége | A kodek és a látens generátor együttes viselkedése |
| A szűk keresztmetszet szakaszos lokalizálása | Szöveg, kodekrekonstrukciók és diszkrét látens változók | Különítse el a kodek veszteségét a generálási veszteségtől | Hol romlik a minőség közös értékelő alkalmazásakor? |

Az összehasonlítás különbséget tesz az értékelési kör és a bizonyítékok között; nem az eljárások egyetemes rangsora.

## Relevancia és hatókör

## 

A szakaszos protokoll akkor hasznos, ha a generatív folyamat egy tanult kodeket és egy látens térbeli generátort egyaránt tartalmaz, de nem világos, mi okozza a kimeneti minőség romlását.

1. Tömörített, diszkrét látens reprezentációkon alapuló szöveggenerálás
2. A kodekrekonstrukció hűsége generatív folyamatláncokban
3. Maszkolt diffúziós nyelvmodellezés a kódtérben
4. A szűk keresztmetszet lokalizálása és szakaszkonzisztens értékelés
5. A látens tér helyettesítő mérőszámaiban elért javulás auditálása a dekódolt szöveg alapján

## Korlátok

## 

- Az empirikus vizsgálat kizárólag a TinyStories adathalmazt használja.
- A fő elemzés egyetlen, erőteljes 64-ről 16-ra történő tömörítési beállításra terjed ki.
- Az értékelt rendszer egy hierarchikus VQ-VAE-2 kodekcsaládot egy MDLM-generátorral kapcsol össze.
- Az összehasonlítások egyetlen futtatáson alapulnak, ezért leíró jellegűek, nem pedig több véletlenmaggal kapott statisztikai becslések.
- A külső GPT-2 perplexitás közös diagnosztikai eszköz, nem pedig a szemantikai minőség univerzális mérőszáma.
- A következtetéseket nem szabad közvetlenül minden adathalmazra, kodekarchitektúrára vagy tömörítési arányra átvinni.

## A tanulmányban hivatkozott szakirodalom

## 

E bejegyzések a tanulmány PDF-változatának számozott References szakaszához tartoznak.

1. Subham Sekhar Sahoo, Marianne Arriola, Yair Schiff, Aaron Gokaslan, Edgar Marroquin, Justin T Chiu, Alexander Rush, Volodymyr Kuleshov. 2024 . [Simple and Effective Masked Diffusion Language Models](https://arxiv.org/abs/2406.07524) . Advances in Neural Information Processing Systems .
2. Aaron van den Oord, Oriol Vinyals, Koray Kavukcuoglu. 2017 . [Neural Discrete Representation Learning](https://arxiv.org/abs/1711.00937) . Advances in Neural Information Processing Systems .
3. Ali Razavi, Aaron van den Oord, Oriol Vinyals. 2019 . [Generating Diverse High-Fidelity Images with VQ-VAE-2](https://arxiv.org/abs/1906.00446) . Advances in Neural Information Processing Systems .
4. Jacob Austin, Daniel D. Johnson, Jonathan Ho, Daniel Tarlow, Rianne van den Berg. 2021 . [Structured Denoising Diffusion Models in Discrete State-Spaces](https://arxiv.org/abs/2107.03006) . Advances in Neural Information Processing Systems .
5. Aaron Lou, Chenlin Meng, Stefano Ermon. 2024 . [Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution](https://arxiv.org/abs/2310.16834) . Proceedings of the 41st International Conference on Machine Learning .
6. Xiaochuang Han, Sachin Kumar, Yulia Tsvetkov. 2023 . [SSD-LM: Semi-autoregressive Simplex-based Diffusion Language Model for Text Generation and Modular Control](https://doi.org/10.18653/v1/2023.acl-long.647) . Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics .
7. Xiang Lisa Li, John Thickstun, Ishaan Gulrajani, Percy Liang, Tatsunori B. Hashimoto. 2022 . [Diffusion-LM Improves Controllable Text Generation](https://arxiv.org/abs/2205.14217) . Advances in Neural Information Processing Systems .
8. Huiwen Chang, Han Zhang, Lu Jiang, Ce Liu, William T. Freeman. 2022 . [MaskGIT: Masked Generative Image Transformer](https://openaccess.thecvf.com/content/CVPR2022/html/Chang_MaskGIT_Masked_Generative_Image_Transformer_CVPR_2022_paper.html) . Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition .
9. Marjan Ghazvininejad, Omer Levy, Yinhan Liu, Luke Zettlemoyer. 2019 . [Mask-Predict: Parallel Decoding of Conditional Masked Language Models](https://doi.org/10.18653/v1/D19-1633) . Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing .
10. Emiel Hoogeboom, Didrik Nielsen, Priyank Jaini, Patrick Forré, Max Welling. 2021 . [Argmax Flows and Multinomial Diffusion: Learning Categorical Distributions](https://arxiv.org/abs/2102.05379) . Advances in Neural Information Processing Systems .
11. Alec Radford, Jeffrey Wu, Rewon Child, David Luan, Dario Amodei, Ilya Sutskever. 2019 . [Language Models are Unsupervised Multitask Learners](https://cdn.openai.com/better-language-models/language-models.pdf) . OpenAI Technical Report .
12. Nils Reimers, Iryna Gurevych. 2019 . [Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks](https://doi.org/10.18653/v1/D19-1410) . Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing .
13. Tianyi Zhang, Varsha Kishore, Felix Wu, Kilian Q. Weinberger, Yoav Artzi. 2020 . [BERTScore: Evaluating Text Generation with BERT](https://arxiv.org/abs/1904.09675) . International Conference on Learning Representations .
14. Krishna Pillutla, Swabha Swayamdipta, Rowan Zellers, John Thickstun, Sean Welleck, Yejin Choi, Zaid Harchaoui. 2021 . [MAUVE: Measuring the Gap Between Neural Text and Human Text using Divergence Frontiers](https://arxiv.org/abs/2102.01454) . Advances in Neural Information Processing Systems .
15. Lianmin Zheng, Wei-Lin Chiang, Ying Sheng, Siyuan Zhuang, Zhanghao Wu, Yonghao Zhuang, Zi Lin, Zhuohan Li, Dacheng Li, Eric P. Xing, Hao Zhang, Joseph E. Gonzalez, Ion Stoica. 2023 . [Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena](https://arxiv.org/abs/2306.05685) . Advances in Neural Information Processing Systems, Datasets and Benchmarks Track .

## Forrásanyagok és reprodukálhatóság

## 

### Adatközlési nyilatkozat

## Verziók

## 

1. **Megjelent változat** [IEEE / FRUCT, 2026](https://doi.org/10.23919/FRUCT70069.2026.11506553)
2. **arXiv-rekord** [A preprint rekord megnyitása, arXiv:2607.24176](https://arxiv.org/abs/2607.24176)
3. **MI-kutatási index** [Hugging Face-tanulmányoldal ellenőrzött első szerzői személyazonossággal és hivatkozott eredmény-összefoglalóval](https://huggingface.co/papers/2607.24176)
4. **Szerzői kézirat** [Szövegesen hozzáférhető helyi PDF](https://aogavrilov.com/publications/where-quality-breaks/paper.pdf)
5. **Konferencia-előadás** [FRUCT 39-előadás](https://www.youtube.com/watch?v=JExX7cxa63s)
6. **Konferenciakiadvány tárgymutatója** [A FRUCT 39 hivatalos kötete](https://fruct.org/publications/volume-39/fruct39)
7. **Konferenciakiadvány PDF-formátumban** [FRUCT nyílt hozzáférésű teljes szöveg](https://www.fruct.org/files/publications/volume-39/fruct39/Gav.pdf)
8. **A tudományos rekord megnyitása** [OpenAlex](https://openalex.org/W7160914887)
9. **Hivatkozási gráf rekordja** [Semantic Scholar](https://www.semanticscholar.org/paper/11b5a0e8f75f0dfd141659e9a82ac58982a65ce1)
10. **A szerző által megosztott teljes szöveg** [ResearchGate](https://www.researchgate.net/publication/404794122_Where_Quality_Breaks_in_Compressed_Short-Text_Generation_Staged_Bottleneck_Localization)

A közzétett DOI az elsődleges bibliográfiai azonosító. Ez az oldal marad a projekt egyetlen kanonikus URL-je minden változatban.

## Kapcsolódó publikáció

- [Inspectable Control for Structure-Preserving Software Regeneration](https://aogavrilov.com/hu/publications/inspectable-control/)

Olvassa el a következőt: [A kodek szűk keresztmetszetének diagnosztikája](https://aogavrilov.com/hu/projects/codec-bottleneck-diagnosis/) kutatási útmutatót. [A szerzőről](https://aogavrilov.com/about/) .

### Célzott kutatási jegyzetek

A szándékhoz igazodó válaszok, egyértelmű bizonyítéki korlátokkal és a tanulmányra visszamutató hivatkozásokkal.

- [Kódtérbeli és tokentérbeli maszkolt diffúzió: hogyan hasonlítsuk össze őket?](https://aogavrilov.com/hu/research-notes/code-space-vs-token-space-masked-diffusion/)