Mine-Sample-Render: трёхэтапный метод разнообразной генерации

Когда разнообразие теряется на выходе

Современные генеративные модели достигли впечатляющего качества — от текстов до изображений, от видео до 3D активов. Но есть парадокс: эти же модели стабильно производят однообразные выборки, даже если специально просить о разнообразии. Грамотный текст, но скучный; качественное изображение, но похожее на предыдущие; корректная симуляция пользователя, но повторяющаяся.

Исследователи Kostas Triaridis, Morris Sharp и Nebojsa Jojic из Microsoft Research предложили MINE-SAMPLE-RENDER (MSR) — подход, который переворачивает проблему с ног на голову. Вместо надежды на встроенный механизм случайности модели авторы предлагают явную, управляемую процедуру на этапе тестирования. Идея проста: возьмите корпус реальных примеров, извлеките из него карту разнообразия, затем используйте эту карту для управления генерацией.

Трёхэтапный конвейер

Первый этап — добыча (Mining). Метод анализирует корпус реальных артефактов (отчёты о погоде, веб-дизайны, описания пользователей) и извлекает категориальную схему — структуру атрибутов, которые варьируются в данных. Параллельно рассчитывается статистика этих атрибутов, которая станет руководством для следующих этапов.

Второй этап — выборка (Sampling). На основе полученной статистики метод семплирует конкретные конфигурации атрибутов. Это не произвольные числа, а осознанный выбор из распределения, наблюдаемого в реальных данных. Атрибуты выбираются так, чтобы итоговое разнообразие отражало разнообразие корпуса.

Третий этап — рендеринг (Rendering). Здесь генеративная модель служит исключительно условным рендерером. Модель не решает, что генерировать — это уже решено на этапе выборки. Модель просто берёт конфигурацию атрибутов и генерирует соответствующий вывод. Это снижает энтропию процесса и улучшает воспроизводимость.

Метод протестирован на пяти различных областях: генерация отчётов о погоде, симуляция поведения пользователей, дизайн веб-страниц, преобразование текста в изображение (text-to-image), создание 3D активов агентами. Во всех случаях MSR улучшил выравнивание с распределением корпуса и разнообразие выходов при сохранении качества.

Контекст и смежные подходы

Проблема разнообразия в генеративном моделировании привлекает активное внимание исследователей. На платформе Hugging Face недавно обсуждались близкие работы: • «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 выделяется практичностью: это подход на этапе тестирования, не требующий переобучения модели. Его можно применить к любой существующей генеративной модели, что делает метод универсальным инструментом для повышения разнообразия выходов.