Génération d'images
Image generation
Génération d'images
Generazione di immagini
Génération d'images
Tongyi-MAI : former en latent, finir en pixel, gagner 3,2 à 4,8 fois en inférenceTongyi-MAI: train in latent, finish in pixel, gain 3.2 to 4.8 times in inferenceTongyi-MAI : former en latent, finir en pixel, gagner 3,2 à 4,8 fois en inférenceTongyi-MAI: addestrare in latent, finire in pixel, guadagnare da 3,2 a 4,8 volte in inferenzaTongyi-MAI : former en latent, finir en pixel, gagner 3,2 à 4,8 fois en inférence
From the Wires — 17 août 2026
From the Wires — 17 August 2026
From the Wires — 17 août 2026
Dagli studi — From the Wires — 17 agosto 2026
From the Wires — 17 août 2026
Une étude empirique d'Alibaba Tongyi-MAI, publiée le 17 août 2026, fixe une recette pour entraîner les modèles de diffusion texte-image en espace pixel : acquérir les priors générateurs en espace latent, puis basculer en pixel pour le post-entraînement. Le
papier passe au crible cinq choix de conception — initialisation des poids, composition des données, cible de prédiction, architecture du décodeur, calendrier de bruit — et mesure des accélérations d'inférence de bout en bout de 3,18 à 4,75 fois, à qualité égale ou supérieure aux équivalents latents.
An empirical study by Alibaba's Tongyi-MAI, published on 17 August 2026, sets a recipe for training text-to-image diffusion models in pixel space: acquire generative priors in latent space, then switch to pixels for post-training. The
paper sifts through five design choices — weight initialization, data composition, prediction target, decoder architecture, noise schedule — and measures end-to-end inference speed-ups of 3.18 to 4.75 times, at equal or better quality than latent equivalents.
Une étude empirique d'Alibaba Tongyi-MAI, publiée le 17 août 2026, fixe une recette pour entraîner les modèles de diffusion texte-image en espace pixel : acquérir les priors générateurs en espace latent, puis basculer en pixel pour le post-entraînement. Le
papier passe au crible cinq choix de conception — initialisation des poids, composition des données, cible de prédiction, architecture du décodeur, calendrier de bruit — et mesure des accélérations d'inférence de bout en bout de 3,18 à 4,75 fois, à qualité égale ou supérieure aux équivalents latents.
Uno studio empirico di Alibaba Tongyi-MAI, pubblicato il 17 agosto 2026, fissa una ricetta per addestrare i modelli di diffusione testo-immagine in spazio pixel: acquisire i prior generativi in spazio latent, poi passare in pixel per il post-addestramento. Il
paper passa al setaccio cinque scelte progettuali — inizializzazione dei pesi, composizione dei dati, obiettivo di predizione, architettura del decodificatore, calendario del rumore — e misura accelerazioni d'inferenza end-to-end da 3,18 a 4,75 volte, a qualità pari o superiore a quella degli equivalenti latent.
Une étude empirique d'Alibaba Tongyi-MAI, publiée le 17 août 2026, fixe une recette pour entraîner les modèles de diffusion texte-image en espace pixel : acquérir les priors générateurs en espace latent, puis basculer en pixel pour le post-entraînement. Le
papier passe au crible cinq choix de conception — initialisation des poids, composition des données, cible de prédiction, architecture du décodeur, calendrier de bruit — et mesure des accélérations d'inférence de bout en bout de 3,18 à 4,75 fois, à qualité égale ou supérieure aux équivalents latents.
Fiabilité des vérificateurs
Verifier reliability
Fiabilité des vérificateurs
Affidabilità dei verificatori
Fiabilité des vérificateurs
Un audit-réparation dans le contexte rend les LLM vérificateurs plus clémentsAn audit-then-repair episode in context makes LLM verifiers more lenientUn audit-réparation dans le contexte rend les LLM vérificateurs plus clémentsUn audit-riparazione nel contesto rende i LLM verificatori più clementiUn audit-réparation dans le contexte rend les LLM vérificateurs plus cléments
From the Wires — 17 août 2026
From the Wires — 17 August 2026
From the Wires — 17 août 2026
Dagli studi — From the Wires — 17 agosto 2026
From the Wires — 17 août 2026
Quand un épisode « audit puis réparation » traîne dans le contexte d'un modèle chargé de vérifier des raisonnements, ses faux positifs chutent : la baisse est observée dans
15 combinaisons modèle-formulation sur 15, de 2,8 à 11,5 points — soit une réduction relative de 9 à 25 % — sur des traces ProcessBench vérifiées humainement. L'analyse par détection du signal situe le déplacement dans le seuil de décision, pas dans la discrimination ; et un audit manuel de 50 faux positifs montre que 82 % étaient simplement erronés. Publié le 17 août 2026, le
code est disponible.
When an 'audit then repair' episode lingers in the context of a model tasked with checking reasoning, its false positives drop: the decrease is seen in
15 out of 15 model-formulation combinations, from 2.8 to 11.5 points — a relative reduction of 9 to 25% — on human-verified ProcessBench traces. Signal detection analysis locates the shift in the decision threshold, not in discrimination; a manual audit of 50 false positives shows that 82% were simply wrong. Published on 17 August 2026, the
code is available.
Quand un épisode « audit puis réparation » traîne dans le contexte d'un modèle chargé de vérifier des raisonnements, ses faux positifs chutent : la baisse est observée dans
15 combinaisons modèle-formulation sur 15, de 2,8 à 11,5 points — soit une réduction relative de 9 à 25 % — sur des traces ProcessBench vérifiées humainement. L'analyse par détection du signal situe le déplacement dans le seuil de décision, pas dans la discrimination ; et un audit manuel de 50 faux positifs montre que 82 % étaient simplement erronés. Publié le 17 août 2026, le
code est disponible.
Quando un episodio di «audit e poi riparazione» indugia nel contesto di un modello incaricato di verificare ragionamenti, i suoi falsi positivi calano: la diminuzione è osservata in
15 combinazioni modello-formulazione su 15, da 2,8 a 11,5 punti — ossia una riduzione relativa dal 9 al 25% — su tracce ProcessBench verificate umanamente. L'analisi basata sul rilevamento del segnale colloca lo spostamento nella soglia di decisione, non nella capacità di discriminazione; e un audit manuale di 50 falsi positivi mostra che l'82% era semplicemente errato. Pubblicato il 17 agosto 2026, il
codice è disponibile.
Quand un épisode « audit puis réparation » traîne dans le contexte d'un modèle chargé de vérifier des raisonnements, ses faux positifs chutent : la baisse est observée dans
15 combinaisons modèle-formulation sur 15, de 2,8 à 11,5 points — soit une réduction relative de 9 à 25 % — sur des traces ProcessBench vérifiées humainement. L'analyse par détection du signal situe le déplacement dans le seuil de décision, pas dans la discrimination ; et un audit manuel de 50 faux positifs montre que 82 % étaient simplement erronés. Publié le 17 août 2026, le
code est disponible.