본 논문은 생성적 사전 훈련을 통한 기초 모델의 최근 발전에도 불구하고, 이 분야의 알고리즘 혁신이 이산 신호에 대한 자기회귀 모델과 연속 신호에 대한 확산 모델에 크게 정체되어 있다는 점을 지적합니다. 이러한 정체는 풍부한 다중 모드 데이터의 잠재력을 완전히 실현하는 것을 막고, 다중 모드 지능의 발전을 제한합니다. 따라서 본 논문은 추론 시간의 확장 효율성을 우선시하는 추론 우선 관점이 새로운 생성적 사전 훈련 알고리즘을 고무할 수 있다고 주장합니다. 유도적 모멘트 매칭(IMM)을 구체적인 예로 사용하여, 확산 모델의 추론 과정에서의 한계를 목표 지향적인 수정을 통해 해결함으로써 안정적이고 단일 단계 알고리즘을 얻고, 샘플 품질을 향상시키는 동시에 추론 효율성을 10배 이상 향상시킬 수 있음을 보여줍니다.
