Naukowcy przedstawili Rank-Aware Speculative Sampling (RASS) - nową regułę weryfikacji dla drzew draft w modelach dyfuzji, która przyspiesza generowanie próbek. Metoda rozwiązuje problem poprzedniej techniki D-GRS (Diffusion Greedy Rejection Sampling), która testowała kandydatów w losowej kolejności bez uwzględnienia ich potencjalnej jakości.
Kluczowa innowacja RASS polega na tym, że porządkuje kandydatów zgodnie z ich mean displacement - różnicą między rozkładem propozycji a rozkładem docelowym modelu. Zamiast testować je sekwencyjnie w kolejności generowania, metoda przypisuje wagi każdemu rankingowi, optymalizując je aby zminimalizować całkowitą wariancję między wybranymi kandydatami a rozkładem docelowym. To wszystko odbywa się bez konieczności dodatkowych ewaluacji modelu docelowego.
Badania przeprowadzone na różnych zadaniach - od bezwarunkowego generowania obrazów na zbiorze FFHQ, przez generowanie warunkowe na CIFAR-10, aż po latent diffusion ze Stable Diffusion 3.5 z promptami z COCO2014 - wykazały, że RASS konsekwentnie przewyższa D-GRS. Na CIFAR-10 przy tej samej alokacji mocy obliczeniowej uzyskano około 20-procentową poprawę mierzoną stosunkiem liczby ewaluacji modelu docelowego. Metoda zachowuje dokładne próbkowanie dzięki maksymalnym sprzężeniom i korekcji reszt, niezależnie od wyboru wag rankingu.