Naukowcy zaproponowali LEDFlow - metodę zmieniającą sposób, w jaki dyskretne modele flow generują dane poprzez sterowanie kolejnością "absorpcji" predykcji na podstawie entropii. Jednolite dyskretne flow pozwalają na ciągłe poprawianie wygenerowanych tokenów na każdej pozycji, ale to też narażają już poprawne predykcje na późniejsze błędy. Eksperyment na puzzlach Sudoku ujawnił, że 9,4% komórek było prawidłowych w pośrednim etapie generowania, ale w finalnym wyniku okazywały się błędne.
LEDFlow wprowadza generowanie oparte na entropii poprzez selektywną absorpcję - zamiast jednocześnie poprawiać wszystkie pozycje, metoda fiksuje wybranych predykcji (te o najniższej entropii) i pozwala aktywnym pozycjom dalej się ewoluować. To rozwiązanie jest całkowicie niezależne od treningu - pracuje na już wytrenowanych modelach flow bez dodatkowego uczenia. Autorzy pokazali matematycznie, że wybieranie pozycji o najniższej entropii w ramach ustalonego budżetu absorpcji minimalizuje górną granicę błędu warunkowej części predykcji.
Wyniki na praktycznych benchmarkach są imponujące: LEDFlow uzyskuje 84,5% dokładności na Sudoku Nikoli z największymi zyskami na zadaniach o wysokich ograniczeniach. W generowaniu tekstu do obrazu osiąga najlepszy ogólny wynik, a w rozumieniu multimodalnym poprawia rodzimą próbkę na wszystkich sześciu benchmarkach. Kluczową zaletą jest to, że obliczeniowy koszt wnioskowania pozostaje porównywalny ze standardowym flow samplingiem, co czyni to rozwiązanie praktycznym dla rzeczywistych aplikacji.