요약

확산(Diffusion) 모델은 단순한 속도 기반의 자기회귀 방식보다 더 풍부한 표현력을 가진 생성을 가능하게 하며, 저렴한 온폴리시 롤아웃을 지원합니다. 이는 강화학습(RL) 및 테스트 시간 연산 스케일링 측면에서 비용 효율적인 이점을 제공합니다. 곧 완전한 사후 학습(Post-trained) 확산 모델이 출시될 예정입니다.

핵심 포인트

• 확산 모델은 자기회귀 방식보다 우수한 표현력을 가진 생성을 구현한다.
• 온폴리시 롤아웃을 지원하여 강화학습 및 테스트 시간 연산의 비용 효율성을 높인다.
• Diffusion 모델의 성능 향상으로 인해 더 많은 RL 및 Test-time-compute 스케일링이 가능하다.