Mine-Sample-Render: un método de tres etapas para la generación diversa

Cuando la diversidad se pierde en la salida

Los modelos generativos actuales han alcanzado una calidad impresionante: en textos, imágenes, video y activos 3D. Pero existe una paradoja: esos mismos modelos producen de forma constante muestras monótonas, incluso cuando se les pide explícitamente que generen diversidad. Un texto correcto, pero aburrido; una imagen de calidad, pero similar a las anteriores; una simulación de usuario correcta, pero repetitiva.

Los investigadores Kostas Triaridis, Morris Sharp y Nebojsa Jojic, de Microsoft Research, propusieron MINE-SAMPLE-RENDER (MSR), un enfoque que da la vuelta al problema. En lugar de confiar en el mecanismo de aleatoriedad incorporado en el modelo, los autores plantean un procedimiento explícito y controlado en tiempo de inferencia. La idea es simple: tomar un corpus de ejemplos reales, extraer de él un mapa de la diversidad y luego usar ese mapa para guiar la generación.

Un proceso de tres etapas

La primera etapa es la extracción (Mining). El método analiza un corpus de artefactos reales (informes meteorológicos, diseños web, descripciones de usuarios) y extrae un esquema categórico: una estructura de atributos que varían en los datos. En paralelo, se calculan las estadísticas de esos atributos, que servirán de guía para las siguientes etapas.

La segunda etapa es el muestreo (Sampling). A partir de las estadísticas obtenidas, el método muestrea configuraciones concretas de atributos. No se trata de números arbitrarios, sino de una elección consciente a partir de la distribución observada en los datos reales. Los atributos se seleccionan de modo que la diversidad final refleje la diversidad del corpus.

La tercera etapa es el renderizado (Rendering). Aquí el modelo generativo funciona exclusivamente como un renderizador condicional. El modelo no decide qué generar —esa decisión ya se tomó en la etapa de muestreo—. El modelo simplemente toma la configuración de atributos y genera la salida correspondiente. Esto reduce la entropía del proceso y mejora la reproducibilidad.

El método se probó en cinco dominios distintos: generación de informes meteorológicos, simulación del comportamiento de usuarios, diseño de páginas web, conversión de texto a imagen (text-to-image) y creación de activos 3D por agentes. En todos los casos, MSR mejoró la alineación con la distribución del corpus y la diversidad de las salidas, manteniendo la calidad.

Contexto y enfoques relacionados

El problema de la diversidad en el modelado generativo atrae una atención activa por parte de los investigadores. En la plataforma Hugging Face se han discutido recientemente trabajos afines: • «Gacha Decoding: Eliciting Diverse Generations Through Instruction Following» (2026) • «Do Large Language Models Capture the Diversity in their Training Data?» (2026) • «Beyond Mode Collapse: Generating Diverse Synthetic Expert Conversations via Generative Flow Networks» (2026) • «DOGS: Design-Space Sampling for Prompt-Driven Logo Generation» (2026) • «Gap Detection: Mitigating Homogenization through Demand and Defensibility» (2026) • «A Ticket from Marginals to Joints: Coupled-Noise Distillation for One-Step Block Generation in Diffusion Language Models» (2026) • «DiVid: Diagnosing Dimension-Specific Diversity Collapse in Video Generation Models» (2026)

MSR destaca por su carácter práctico: es un enfoque en tiempo de inferencia que no requiere volver a entrenar el modelo. Puede aplicarse a cualquier modelo generativo existente, lo que lo convierte en una herramienta universal para aumentar la diversidad de las salidas.