🤖 machine learning

D2PO: Optimizing Diffusion Samplers via Dynamic Preference

यह शोध पत्र D2PO का प्रस्ताव करता है, जो एक नवीन ढांचा है जो डिफ्यूजन सैंपलिंग नीतियों को प्री-ट्रेन्ड स्कोर नेटवर्क्स से व्युत्पन्न एक ऊर्जा-आधारित मॉडल का उपयोग करके कार्य को एक गतिशील प्राथमिकता संरेखण समस्या के रूप में पुनर्गठित करके अनुकूलित करता है, जिससे पारंपरिक रिग्रेशन-आधारित विधियों की फिडेलिटी सीमाओं को दूर किया जा सके और कम-NFE बाधाओं के तहत बेहतर प्रत्यक्ष गुणवत्ता प्राप्त की जा सके।

मूल लेखक: Jinkyu Kim, Jinyoung Choi, Bohyung Han

प्रकाशित 2026-07-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jinkyu Kim, Jinyoung Choi, Bohyung Han

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ D2PO पेपर का सरल, रोज़मर्रा की भाषा में अनुवाद दिया गया है, जिसमें उपमाओं (analogies) का उपयोग किया गया है।

बड़ी समस्या: "नकलची" का जाल (The "Copycat" Trap)

कल्पना कीजिए कि आप एक मास्टरपीस पेंटिंग बनाना सीख रहे हैं, लेकिन आपको केवल 4 ब्रशस्ट्रोक (इसे "लो NFE" या कम कंप्यूटेशनल लागत कहा जाता है) लगाने की अनुमति है। आपके पास एक मास्टर पेंटर (जिसे "टीचर" कहा जाता है) है जो एक सटीक, विस्तृत चित्र बनाने के लिए 100 ब्रशस्ट्रोक लेता है।

अतीत में, शोधकर्ताओं ने 4-स्ट्रोक वाले पेंटर को यह कहकर सिखाने की कोशिश की: "मास्टर की 100-स्ट्रोक वाली पेंटिंग को देखो। अपनी 4-स्ट्रोक वाली वर्शन को बिल्कुल वैसा ही बनाने की कोशिश करो।"

खामी: क्योंकि छात्र (स्टूडेंट) बहुत सीमित है, वह बारीक विवरणों (जैसे फर की बनावट या पानी की लहरें) की नकल नहीं कर सकता। सही आकार बनाने के चक्कर में, वे विवरणों को धुंधला (smudge) कर देते हैं। परिणाम एक ऐसी पेंटिंग होती है जिसमें बड़े आकार तो सही होते हैं, लेकिन वह धुंधली और नकली दिखती है। छात्र को या तो बड़ी तस्वीर को सही करने या विवरणों को सही करने में से किसी एक को चुनना पड़ता है, और वे आमतौर पर विवरणों का बलिदान दे देते हैं।

समाधान: D2PO (डायनेमिक डायरेक्ट प्रेफरेंस ऑप्टिमाइज़ेशन)

इस पेपर के लेखक, किम, चोई और हान कहते हैं: "एक स्थिर मास्टर की नकल करना बंद करें। इसके बजाय, छात्र को खुद से बेहतर बनना सिखाएं।"

उन्होंने एक नई प्रशिक्षण विधि बनाई जिसे D2PO कहा जाता है। यह कैसे काम करता है, इसे तीन सरल अवधारणाओं में विभाजित किया गया है:

1. "स्व-सुधार लूप" (Self-Improving Loop - डायनेमिक प्रेफरेंस)

एक स्थिर शिक्षक जो कभी नहीं बदलता, के बजाय, D2PO एक डायनेमिक टीचर का उपयोग करता है।

छात्र (Student): 4-स्ट्रोक वाला पेंटर।
शिक्षक (Teacher): उसी छात्र का एक थोड़ा बेहतर संस्करण, जिसे उसी चीज़ को बनाने के लिए 8 स्ट्रोक (दोगुने अधिक) की अनुमति है।

हर बार जब छात्र चित्र बनाने की कोशिश करता है, तो सिस्टम 4-स्ट्रोक वाले वर्शन की तुलना 8-स्ट्रोक वाले वर्शन से करता है। 8-स्ट्रोक वाला वर्शन हमेशा "पसंदीदा" (preferred) होता है क्योंकि उसमें अधिक विवरण होते हैं। छात्र सीखता है: "मुझे अपने 4-स्ट्रोक वाले ड्राइंग को अपने ही 8-स्ट्रोक वाले सामर्थ्य (potential) के जितना संभव हो सके उतना करीब बनाना है।"

यह बेहतर क्यों है: छात्र एक दूर के, असंभव लक्ष्य (100-स्ट्रोक मास्टर) तक पहुँचने की कोशिश नहीं कर रहा है। वह अपने स्वयं के उच्चतम रूप तक पहुँचने की कोशिश कर रहा है। जैसे-जैसे छात्र बेहतर होता है, "8-स्ट्रोक वाला टीचर" भी बेहतर होता जाता है। यह एक स्व-सुधार लूप है जहाँ छात्र के बेहतर होने के साथ-साथ लक्ष्य भी ऊपर की ओर बढ़ता है, जिससे वे कम गुणवत्ता के स्तर पर फंसने से बच जाते हैं।

2. "जादुई स्कोरकार्ड" (Magic Scorecard - स्कोर-आधारित ऊर्जा)

आप कंप्यूटर को कैसे बताएंगे कि कौन सी पेंटिंग बेहतर है?

पुराना तरीका: एक मानक रूलर (जैसे LPIPS या FID) का उपयोग करना। ये देखते हैं कि पिक्सेल कितने करीब हैं। ये यह देखने में अच्छे हैं कि कुत्ते का आकार सही है या नहीं, लेकिन ये अक्सर यह नहीं देख पाते कि फर कितना वास्तविक लग रहा है।
D2PO का तरीका: AI के अपने मस्तिष्क से निकला हुआ एक जादुई स्कोरकार्ड उपयोग करना। पेपर "स्कोर नेटवर्क" (AI का वह हिस्सा जो समझता है कि शोर/noise को इमेज में कैसे बदलना है) का उपयोग चित्रों का न्याय करने के लिए करता है।

AI के मस्तिष्क की कल्पना एक संगीत समीक्षक (music critic) के रूप में करें जो जानता है कि एक गाना कैसा होना चाहिए। यदि आप थोड़ा सा बेसुरा नोट बजाते हैं, तो समीक्षक तुरंत जान जाता है। D2PO इस समीक्षक से पूछता है: "क्या यह 4-स्ट्रोक वाली पेंटिंग उसी 'संगीत के नियमों' का पालन करती है जिसका पालन 8-स्ट्रोक वाली पेंटिंग करती है?" यह सिस्टम को उन सूक्ष्म, हाई-फ्रीक्वेंसी विवरणों (जैसे बनावट और महीन रेखाएं) को पकड़ने की अनुमति देता जिन्हें मानक रूलर मिस कर देते हैं।

3. "परिष्करण" का खेल (The Refinement Game)

प्रशिक्षण प्रक्रिया "हॉट एंड कोल्ड" (पास या दूर) के खेल की तरह है।

छात्र 4 स्ट्रोक के साथ एक चित्र बनाता है।
सिस्टम उसी ड्राइंग को लेकर और उसे 8 स्ट्रोक के साथ परिष्कृत (refine) करके एक "विजेता" (winning) वर्शन बनाता है।
सिस्टम उस 4-स्ट्रोक वाली ड्राइंग को थोड़ा धुंधला या खराब करके एक "हारने वाला" (losing) वर्शन बनाता है।
AI को बताया जाता है: "8-स्ट्रोक वाला वर्शन विजेता है। धुंधला वर्शन हारने वाला है। अपनी 4-स्ट्रोक तकनीक को इस तरह समायोजित करें कि वह विजेता की तरह दिखे।"

परिणाम

इस पेपर ने लोकप्रिय इमेज जनरेटर्स (जैसे Stable Diffusion) पर इसका परीक्षण किया और पाया कि:

तेज विवरण (Sharper Details): बहुत कम स्टेप्स (4 या 5) के साथ इमेज जेनरेट करते समय, D2PO पिछले तरीकों की तुलना में बहुत अधिक शार्प टेक्सचर और कम "धुंधलेपन" (artifacts) के साथ इमेज बनाता है।
बेहतर एलाइनमेंट (Better Alignment): इमेज टेक्स्ट प्रॉम्प्ट के साथ बेहतर मेल खाती हैं (उदाहरण के लिए, यदि आप "लाल बस" मांगते हैं, तो बस वास्तव में लाल होती है और एक बस की तरह दिखती है, न कि केवल एक लाल धब्बे की तरह)।
अतिरिक्त प्रशिक्षण की आवश्यकता नहीं: यह विधि विशाल AI मॉडल को फिर से प्रशिक्षित (retrain) नहीं करती है। यह केवल "सैंपलिंग शेड्यूल" (वह चरण जो AI चित्र बनाने के लिए लेता है) को ऑप्टिमाइज़ करती है, जो कार के पूरे ढांचे को फिर से बनाए बिना उसके इंजन को ट्यून करने जैसा है।

सारांश उपमा (Summary Analogy)

कल्पना कीजिए कि आप दौड़ सीखना रहे हैं।

पुराना तरीका: आप ठीक उसी तरह दौड़ने की कोशिश करते हैं जैसे एक ओलंपिक चैंपियन जो 100 मीटर 9 सेकंड में दौड़ता है। आपको केवल 40 मीटर दौड़ने की अनुमति है। आप उनकी चाल की नकल करने की कोशिश करते हैं, लेकिन आप लड़खड़ा जाते हैं क्योंकि आपके पैर बहुत छोटे हैं।
D2PO तरीका: आप अपने 40 मीटर दौड़ते हैं। फिर, आप कल्पना करते हैं कि आप पूर्ण फॉर्म के साथ 80 मीटर दौड़ रहे हैं। आप अपनी 40-मीटर की दौड़ की तुलना अपनी 80-मीटर की क्षमता से करते हैं। आप अपनी चाल को अपने स्वयं के सामर्थ्य से मिलाने के लिए समायोजित करते हैं। जैसे-जैसे आप तेज़ होते हैं, आपकी 80-मीटर की क्षमता भी तेज़ होती जाती है। आप बिना ओलंपिक चैंपियन बने लगातार बेहतर होते रहते हैं।

संक्षेप में: D2PO डिफ्यूजन मॉडल्स को एक दूर के, पूर्ण शिक्षक की नकल करने के बजाय, उन्हें लगातार अपने काम को परिष्कृत करना सिखाता है, जिसके परिणामस्वरूप उच्च-गुणवत्ता वाली छवियां प्राप्त होती हैं, भले ही कंप्यूटिंग शक्ति सीमित क्यों न हो।

तकनीकी सारांश: D2PO – डायनेमिक प्रेफरेंस के माध्यम से डिफ्यूजन सैंपलर का अनुकूलन

1. समस्या विवरण (Problem Statement)

डिफ्यूजन प्रोबेबिलिस्टिक मॉडल्स (DPMs) ने इमेज, टेक्स्ट-टू-इमेज और वीडियो जनरेशन में अत्याधुनिक परिणाम प्राप्त किए हैं, लेकिन वे अपनी इटरैटिव सैंपलिंग प्रक्रिया के कारण उच्च कम्प्यूटेशनल लागत से जूझते हैं, जिसमें कई फंक्शन इवैल्यूएशन (NFE) की आवश्यकता होती है। हालांकि विभिन्न त्वरण विधियाँ (acceleration methods) मौजूद हैं, जिनमें न्यूमेरिकल सॉल्वर और नॉलेज डिस्टिलेशन शामिल हैं, एक मौलिक सीमा बनी रहती है: स्टूडेंट-टीचर रिग्रेशन फ्रेमवर्क।

इन फ्रेमवर्क्स में, एक लो-NFE "स्टूडेंट" सैंपलर को एक फिक्स्ड, हाई-NFE "टीचर" की ट्रैजेक्टरीज या आउटपुट्स की नकल करने के लिए रिग्रेशन लॉस (जैसे $\ell_2$ या LPIPS) का उपयोग करके प्रशिक्षित किया जाता है। पेपर एक महत्वपूर्ण संरचनात्मक बाधा की पहचान करता है: जैसे-जैसे स्टूडेंट के NFE और टीचर के NFE के बीच का अंतर बढ़ता है (जो आक्रामक त्वरण के लिए एक सामान्य आवश्यकता है), रिग्रेशन ऑब्जेक्टिव स्टूडेंट को टीचर के मोटे (coarse) ट्रैजेक्टरी के साथ लो-लेवल अलाइनमेंट को प्राथमिकता देने के लिए मजबूर करता है। इसके परिणामस्वरूप हाई-फ्रीक्वेंसी टेक्सचर और सूक्ष्म विवरणों (fine-grained details) का दमन होता है, जिससे उच्च-फिडेलिटी वाले टीचर मॉडल होने के बावजूद भी परसेप्चुअल क्वालिटी में गिरावट आती है। मौजूदा विधियाँ लो-NFE बाधाओं के तहत हाई-क्वालिटी टीचर्स की पूरी क्षमता का लाभ उठाने में विफल रहती हैं क्योंकि वे टीचर के डिस्क्रीटाइजेशन द्वारा परिभाषित एक स्टैटिक एरर फ्लोर (static error floor) से बंधी होती हैं।

2. कार्यप्रणाली: D2PO

इसे संबोधित करने के लिए, लेखक D2PO (डायनेमिक डायरेक्ट प्रेफरेंस ऑप्टिमाइजेशन) प्रस्तावित करते हैं, जो एक फ्रेमवर्क है जो सैंपलर ऑप्टिमाइजेशन को रिग्रेशन टास्क से बदलकर एक प्रेफरेंस-आधारित अलाइनमेंट समस्या के रूप में पुनर्गठित करता है।

2.1 डिटर्मिनिस्टिक पॉलिसीज के लिए एनर्जी-बेस्ड सरोगेट (Energy-Based Surrogate for Deterministic Policies)

डिफ्यूजन सैंपलर्स पर डायरेक्ट प्रेफरेंस ऑप्टिमाइजेशन (DPO) लागू करने में एक प्राथमिक चुनौती यह है कि सैंपलिंग पॉलिसी डिटर्मिनिस्टिक होती है (एक फिक्स्ड न्यूमेरिकल सॉल्वर द्वारा प्रेरित), जिससे आउटपुट की लाइकलीहुड डिजेनरेट और नॉन-डिफरेंशिएबल हो जाती है। D2PO इसे एक एनर्जी-बेस्ड मॉडल (EBM) के रूप में पॉलिसी-इंड्यूस्ड डिस्ट्रीब्यूशन को मॉडल करके दूर करता है।

पॉलिसी $\pi_\phi$ को एक स्मूथ सरोगेट के रूप में परिभाषित किया गया है जहाँ ऊर्जा $E(\mathbf{x})$ , कैंडिडेट सैंपल $\mathbf{x}$ और डिटर्मिनिस्टिक सैंपलर आउटपुट $\mathbf{x}_\phi$ के बीच की दूरी है।
यह फॉर्मूलेशन DPO के लिए आवश्यक लॉग-प्रोबेबिलिटी रेशियो को ऊर्जा मानों के अंतर के रूप में व्यक्त करने की अनुमति देता है, जिससे ऑप्टिमाइजेशन सुलभ (tractable) हो जाता है।

2.2 नवीन स्कोर-बेस्ड डिस्टेंस मेट्रिक (Novel Score-Based Distance Metric)

मानक परसेप्चुअल मेट्रिक्स जैसे LPIPS या $\ell_2$ पर निर्भर रहने के बजाय, जो अक्सर हाई-फ्रीक्वेंसी टेक्सचर एरर्स को कैप्चर करने में विफल रहते हैं, D2PO एक स्कोर-बेस्ड एनर्जी मेट्रिक पेश करता है जो सीधे प्रीट्रेनड डिफ्यूजन स्कोर नेटवर्क $s_\theta$ से प्राप्त होता है।

ऊर्जा को विभिन्न नॉइज़ लेवल्स पर कैंडिडेट सैंपल और स्कोर प्रेडिक्शन के बीच की विसंगति के रूप में परिभाषित किया गया है।
विशेष रूप से, दूरी $d_\theta$ विभिन्न टाइमस्टेप्स पर नॉइज़ प्रेडिक्शंस ( $\epsilon_\theta$ ) के बीच स्क्वेयर्ड $\ell_2$ अंतर को मापती है।
एक विशिष्ट वेटिंग ( $w(t) = \sigma_t^2$ ) के साथ नॉइज़ शेड्यूल के माध्यम से इन विसंगतियों को इंटीग्रेट करके, यह मेट्रिक मोटे स्ट्रक्चरल कंसिस्टेंसी (हाई नॉइज़ लेवल्स पर) और सूक्ष्म टेक्सचरल डिटेल्स (लो नॉइज़ लेवल्स पर) दोनों को कैप्चर करता है, जो पारंपरिक मेट्रिक्स की तुलना में एक समृद्ध प्रेफरेंस सिग्नल प्रदान करता है।

2.3 डायनेमिक प्रेफरेंस मैकेनिज्म (Dynamic Preference Mechanism)

D2PO स्टैटिक टीचर सुपरविजन को एक डायनेमिक रेफरेंस मैकेनिज्म से बदल देता है जो स्टूडेंट पॉलिसी के साथ विकसित होता है।

स्टूडेंट सैंपलर ( $\phi$ ): वह टारगेट पॉलिसी जिसे ऑप्टिमाइज़ किया जा रहा है (पैरामीटर्स: टाइमस्टेप शेड्यूल $S$ और CFG वेट्स $\omega$ )।
लूजिंग सैंपल ( $x_l$ ): एक स्पार्स, फास्ट शेड्यूल का उपयोग करके स्टूडेंट द्वारा जेनरेट किया गया, फिर उसे डिग्रेड (जैसे, लो-पास फिल्टरिंग के माध्यम से) किया गया ताकि कम-गुणवत्ता वाला आउटपुट सिम्युलेट किया जा सके।
विनिंग सैंपल ( $x_w$ ): एक डायनेमिक टीचर ( $\phi'$ ) द्वारा जेनरेट किया गया जो वर्तमान स्टूडेंट पैरामीटर्स से प्राप्त है। डायनेमिक टीचर स्टूडेंट के वर्तमान शेड्यूल को इंटरपोलेट करके बनाए गए एक रिफाइंड, डेंसर टाइमस्टेप शेड्यूल (जैसे, स्टूडेंट के $N$ स्टेप्स के मुकाबले $2N$ स्टेप्स) का उपयोग करता है।
रेफरेंस पॉलिसी ( $\phi_{ref}$ ): एक पॉलिसी जो स्टूडेंट के इतिहास को ट्रैक करती है (CFG वेट्स के लिए EMA के माध्यम से और टाइमस्टेप्स के लिए एपोक-वाइज कॉपीइंग के माध्यम से अपडेट की गई) ताकि ऑप्टिमाइजेशन को एंकर किया जा सके।

यह डायनेमिक लूप स्टूडेंट को अपने ही उच्च-फिडेलिटी, डेंसर-शेड्यूल एप्रोक्सिमेशन के साथ अलाइन होने के लिए प्रोत्साहित करता है। सैद्धांतिक रूप से, यह स्टूडेंट के अपने डिस्क्रीटाइजेशन एरर को मिनिमाइज करता है, न कि एक बाहरी टीचर द्वारा थोपे गए फिक्स्ड रेजिडुअल एरर फ्लोर की ओर कन्वर्ज होता है।

3. मुख्य योगदान (Key Contributions)

D2PO फ्रेमवर्क: डिफ्यूजन सैंपलर्स के लिए एक प्रेफरेंस-बेस्ड ऑप्टिमाइजेशन फ्रेमवर्क जो डिटर्मिनिस्टिक पॉलिसी को एनर्जी-बेस्ड सरोगेट के रूप में मॉडल करके एक सुलभ अलाइनमेंट ऑब्जेक्टिव स्थापित करता है।
स्कोर-बेस्ड एनर्जी मेट्रिक: एक नवीन डिस्टेंस मेट्रिक जो प्रीट्रेनड स्कोर नेटवर्क से प्राप्त होता है और मल्टी-स्केल स्ट्रक्चरल और टेक्सचरल विसंगतियों को कैप्चर करता है, जो डिस्क्रीटाइजेशन एरर्स को पकड़ने में पारंपरिक परसेप्चुअल लॉसेस से बेहतर प्रदर्शन करता है।
डायनेमिक प्रेफरेंस लूप: एक सेल्फ-इंप्रूविंग मैकेनिज्म जहाँ "टीचर" वर्तमान स्टूडेंट पॉलिसी का एक डायनेमिकली रिफाइंड वर्जन है। यह स्टैटिक डिस्टिलेशन के फिक्स्ड एरर फ्लोर को समाप्त करता है और स्टूडेंट को अपने स्वयं के डिस्क्रीटाइजेशन एरर को मिनिमाइज करने के लिए प्रेरित करता है।
व्यापक वैलिडेशन: विभिन्न सॉल्वर्स और डेटासेट्स पर विभिन्न स्टेट-ऑफ-द-आर्ट डिस्टिलेशन-बेस्ड बेसलाइन्स (जैसे, LD3, GITS, DMN) की तुलना में श्रेष्ठ प्रदर्शन करते हुए व्यापक प्रयोग।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने Stable Diffusion v1.5, ImageNet-256 (लेटेंट स्पेस), और InstaFlow मॉडल का उपयोग करके टेक्स्ट-टू-इमेज सिंथेसिस पर D2PO का मूल्यांकन किया।

मात्रात्मक प्रदर्शन (Quantitative Performance):
- लो NFE (4-5 स्टेप्स): D2PO स्टेट-ऑफ-द-आर्ट परसेप्चुअल क्वालिटी (HPSv2 और एस्थेटिक स्कोर) प्राप्त करता है और बेसलाइन्स की तुलना में काफी कम FID स्कोर दिखाता है। यह प्रभावी रूप से उन बुनियादी खामियों को ठीक करता है जिन्हें रिग्रेशन-बेस्ड मेथड्स ब्लरनेस और आर्टिफैक्ट्स के रूप में पेश करते हैं।
- हाई NFE (6-7 स्टेप्स): D2PO परसेप्चुअल स्कोर में महत्वपूर्ण बढ़त बनाए रखता है। जबकि FID स्कोर बेसलाइन्स के समान हो जाते हैं (जो क्वालिटी-डाइवर्सिटी ट्रेड-ऑफ को दर्शाता है), D2PO का परसेप्चुअल क्वालिटी की ओर ऑप्टिमाइजेशन श्रेष्ठ बना रहता है।
- जनरलाइजेशन: यह विधि विभिन्न ODE सॉल्वर्स (iPNDM, UniPC, DPM-Solver++) और आधुनिक बैकबोन्स (Stable Diffusion 3.5-Medium) तक सामान्यीकृत होती है, और लगातार बेसलाइन्स से बेहतर प्रदर्शन करती है।
एब्लेशन स्टडीज (Ablation Studies):
- डायनेमिक प्रेफरेंस को हटाने (फिक्स्ड टीचर पर वापस जाने) से प्रदर्शन में गिरावट आती है, जो सेल्फ-इंप्रूविंग लूप की आवश्यकता की पुष्टि करता है।
- स्कोर-बेस्ड एनर्जी को LPIPS से बदलने पर फिडेलिटी में बड़ी गिरावट आती है, जो सूक्ष्म-स्तर की त्रुटियों को पकड़ने की इसकी क्षमता को प्रमाणित करता है।
ह्यूमन इवैल्यूएशन (Human Evaluation): एक ब्लाइंड यूजर स्टडी में, D2PO को ओवरऑल प्रेफरेंस के लिए 60.3% वोट मिले, जो LD3 (27.6%) और GITS (12.1%) से कहीं अधिक है, जो पुष्टि करता है कि मेट्रिक सुधार मानव-अनुभूत गुणवत्ता में अनुवादित होते हैं।
सिमेंटिक अलाइनमेंट (Semantic Alignment): D2PO बेसलाइन्स की तुलना में उच्च CLIP स्कोर भी प्राप्त करता है, जो सुझाव देता है कि प्रेफरेंस अलाइनमेंट के लिए ऑप्टिमाइज़ करना रिजिड पॉइंटवाइज रिग्रेशन की तुलना में प्रॉम्प्ट रेलेवेंस को बेहतर तरीके से सुरक्षित रखता है।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि D2PO डिफ्यूजन सैंपलर ऑप्टिमाइजेशन में एक महत्वपूर्ण प्रदर्शन बाधा को संबोधित करता है। रिग्रेशन-टू-टीचर प्रतिमान से डायनेमिक प्रेफरेंस अलाइनमेंट प्रतिमान की ओर शिफ्ट होकर, D2PO उनके स्टैटिक डिस्क्रीटाइजेशन एरर्स से बंधे बिना हाई-क्वालिटी टीचर्स की पूरी क्षमता को अनलॉक करता है।

लेखक का तर्क है कि उनका दृष्टिकोण लाइटवेट और ऑर्थोगोनल है, क्योंकि यह जेनेरेटिव बैकबोन को फ्रीज रखता है और विशेष रूप से लो-डायमेंशनल सैंपलिंग पॉलिसी को ऑप्टिमाइज़ करता है। डायनेमिक टीचर मैकेनिज्म एक सैद्धांतिक रूप से ठोस लर्निंग सिग्नल प्रदान करता है जो स्टूडेंट को अपने स्वयं के डिस्क्रीटाइजेशन एरर को मिनिमाइज करने के लिए मजबूर करता है, जिससे ऐसे सैंपलिंग ट्रैजेक्टरीज प्राप्त होती हैं जो वास्तविक निरंतर-समय प्रक्रिया (continuous-time process) के साथ अधिक सुसंगत और परसेप्चुअली श्रेष्ठ होती हैं, विशेष रूप से सख्त लो-NFE बाधाओं के तहत।