l'agenda des sorties

Les modèles autorégressifs se sont imposés comme une alternative performante à la diffusion pour la génération d'images et de vidéos, ce qui les rend particulièrement adaptés aux modèles de flux vidéo et de mondes interactifs. Cependant, comme ils génèrent le contenu étape par étape et s'appuient sur leurs propres résultats précédents, ils restent vulnérables au biais d'exposition : les erreurs initiales se propagent et influencent l'ensemble du processus de génération.

Dans cette présentation, Angela Yao (professeure associée à l'Université nationale de Singapour) expose les travaux de recherche récents de son équipe sur l'atténuation du biais d'exposition tout au long du processus de génération. La session aborde les avancées majeures, notamment la régularisation du tokenizer et du générateur, l'alignement de la qualité au niveau du pixel après l'entraînement, le guidage sans entraînement pour renforcer la cohérence historique et les stratégies d'apprentissage par renforcement conçues pour maintenir la stabilité à long terme des modèles de mondes vidéo.