Zespół badawczy opublikował metodę CoDR, która rozwiązuje fundamentalny problem maskowanych modeli dyfuzji języka - tzw. "drift pewności". W tych modelach proces dekodowania polega na sukcesywnym wybieraniu i utrwalaniu tokenów w maskowanych pozycjach, ale decyzje te są zwykle nieodwracalne. Gdy model wybiera token bazując na fragmentarycznym kontekście, pozostaje on zablokowany nawet jeśli późniejsza analiza większej ilości tekstu sugeruje inny wybór.
CoDR działa jako etap przetwarzania końcowego niezależny od metody trenowania. Algorytm najpierw szacuje stopień upadku pewności dla wszystkich utrwalonych pozycji, korzystając z zaledwie k przejść sieci (k-partition probing). Następnie ponownie maskuje i regeneruje tylko te tokeny, w które model już nie ma pełnego zaufania. Takie podejście znacznie zmniejsza liczbę niezbędnych przejść w porównaniu z wcześniejszymi metodami remasking'u, jednocześnie pozostając całkowicie agnostyczne wobec konkretnego samplera bazowego.
Badacze przetestowali CoDR na dwóch architekturach modelów, czterech zadaniach wymagających rozumowania i kodowania oraz trzech różnych sampleach bazowych. We wszystkich konfiguracjach zaobserwowano poprawę średniej dokładności. Eksperymenty kontrolne wykazały, że zyski pochodzą konkretnie z celowanego remasking'u opartego na dryf pewności, a nie tylko z dodatkowych obliczeń. Kod metody jest dostępny publicznie, co powinno ułatwić jej szersze wdrożenie w badaniach i praktyce.