تدخل نماذج الانتشار (Diffusion Models) عالم الذكاء الاصطناعي بوجدٍ قوي، إذ أثبتت فعالية كبيرة في الإنتاج التوليدي. ولكن، كانت هناك مسألة طالت تلك النماذج، وهي كيفية توجيه العينات الناتجة لتتوافق مع تفضيلات البشر كما تقيسها نماذج المكافأة. من بين الحلول الممكنة، يظهر أسلوب Best-of-$N$ (BoN) كخيار بسيط وفعّال، حيث يعتمد على استخراج $N$ عينة مستقلة (i.i.d.) من نموذج انتشار مدرب مسبقًا، واختيار العينة ذات المكافأة الأعلى.

ورغم أن طريقة BoN أثبتت نجاحها تجريبيًا، إلا أنها تعتمد على معلومات المكافأة في المرحلة النهائية فقط، دون التأثير على مسار الانتشار العكسي أثناء عملية السحب. نتيجة لهذا، لا تطور BoN متوسط توافق العينات الناتجة، وتظل ملائمة للسيناريوهات ذات المخرجات الفردية.

استجابةً لهذه التحديات، أطلق الباحثون تقنية جديدة تحمل اسم Best-of-$N$ Guidance (BoNG)، والتي تنظر إلى تطوير BoN بشكل متكامل ضمن عملية الانتشار العكسي. في هذه الطريقة، يتم تنفيذ اختيار BoN عبر الجزيئات المنقحة (denoising particles) وتعديل عملية الانتشار العكسي لتوجيه السكان الجزيئي نحو مناطق ذات مكافآت أعلى أثناء التوليد.

ما يميز BoNG هو تفاعل الإرشاد غير المتناظر بين الجزيئات المنقحة، حيث يتم استخدام الجزيء الحالي (BoN particle) كإشارة إرشادية لبقية السكان الجزيئيين. هذا التفاعل على مستوى الجزيئات يعيد تشكيل عملية السحب نحو مناطق المكافأة العليا، مما يسمح لـ BoNG بتحسين جودة العينة النهائية مقارنةً بطريقة BoN التقليدية، وأيضًا تعزيز الجودة العامة للعينات المنتجة.

في 36 مقارنة تجريبية، أثبتت BoNG تفوقها في 29 حالة، محتلة المرتبة الأولى في 80.56% من المقارنات ضد أساليب SMC وBoN التقليدية. كما أن BoNG تدعم القدرة على إنتاج مخرجات متعددة، مُحققة 1.3 مرة من درجات مكافأة الصورة مقارنة بأحدث طرق الإرشاد، وبسرعة تصل إلى 1.6 مرة. يمكنكم الاطلاع على الكود البرمجي عبر الرابط عبر GitHub.