تشهد صناعة الذكاء الاصطناعي تطوراً ملحوظاً مع إدخال أساليب جديدة لتوليد المحتوى، والتي تتجاوز الأساليب التقليدية المستخدمة سابقاً. في دراستهم الجديدة، يقدم الباحثون نموذجاً probabilistic مبتكراً يُركز على تعلم ترتيب الإدراج في نماذج الإدراج المتغيرة الطول.

تعد طرق توليد التسلسل غير التتابعية، مثل نماذج الانتشار المقنعة (Masked Diffusion Models)، بديلاً مرنًا لنمذجة البيانات من اليسار إلى اليمين. على الرغم من مزاياها العملية، إلا أن معظم النماذج غير التتابعية القائمة تعتمد على شبكة طول ثابتة، مما يحد من قدرتها على دعم توليد بيانات ذات طول متغير وترتيب إدراج متكيف.

هذا العمل الجديد يُقدم عملية إدراج (Insertion Process - IP) كنموذج توليدي عشوائي، حيث يتعلم النموذج بشكل متزامن كيفية وموعد الإضافة، مع القدرة على تحديد متى يجب إنهاء عملية الإدراج. يعتمد هذا النموذج على استدلال تنسيقي يعتمد على التباديل، مما يمكنه من دعم توليد ذي طول متغير مع تفضيلات مدفوعة بالبيانات.

أظهرت التجارب في مجالات تخطيط الأهداف وتوليد السلاسل الجزيئية أن تعلم ترتيب الإدراج يحسن جودة النمذجة والعموميات، حتى في المجالات التي لا تملك بنية ثابتة من اليسار إلى اليمين. مع هذه التطورات، نحن على أعتاب عصر جديد من عمليات توليد المحتوى القابلة للتكيف، مما يفتح آفاق جديدة للإبداع والابتكار.