في عالم الذكاء الاصطناعي، يمثل انهيار الأنماط مشكلة شائعة تتسبب في تركيز محتوى الاحتمال على أنماط محددة تفضلها المكافآت، مما يقضي على التنوع داخل العمليات. ومع ذلك، طرحت دراسة جديدة حلًا ثوريًا يُدعى ReNFT، والذي يقدم طريقة فعالة لإصلاح انهيار الأنماط في نماذج توليد الصور.

تقوم التقنيات التقليدية لمعالجة هذه المشكلة بدمج إشارات خارجية مثل الأهداف الإدراكية أو تعديلات التقييد المرجعي، ولكنها لا تعالج المشكلة من جذورها عندما يحدث الانهيار بالفعل. لقد أظهرت البحوث أن التدريب الإضافي على الإنترنت يقوم أساسًا بإعادة تخصيص كتلة الاحتمالات على القدرات الموروثة من التدريب الأولي بدلاً من تعلم محتوى بصري جديد، مما يعني أن الانهيار هو حالة من القمع وليست حذفا.

يقوم ReNFT بإصلاح محولات ذات مكافآت عالية وتنوع منخفض عن طريق إعادة ضبط كتلة الاحتمالات داخليًا. الفكرة الرئيسية تعتمد على بدء الدراسات الاستقصائية غير المشروطة التي تعطي الأولوية للمحفزات "المضادة-مركزية"، مما يسهل كشف التحيز المستقل عن المحفز. بعد ذلك، يتم إنتاج مقترحات مضادة متطابقة من نفس المحفز والضوضاء الأولية، حيث يستكشف أحد المسارات الاتجاه الأساس المجمد للبدائل المكبوتة، بينما يكشف الآخر التوجه غير المشروط بعد التدريب.

تظهر النتائج على منصات مثل PickScore وGenEval أن ReNFT يحتفظ بنسبة 98.9% و99.0% من مكافآت NFT الأصلية بينما يعزز تنوع المخرجات بنسبة 58.8% و55.0% على التوالي. يقدم هذا الحل البديل المبتكر تأثيرًا ملحوظًا على كيفية معالجة مشاكل الانهيار في نماذج الذكاء الاصطناعي دون الحاجة إلى تدخلات خارجية.