En este artículo, proponemos un método novedoso y eficiente, denominado PLADIS, para abordar el problema de que los modelos de difusión distribuida existentes requieren entrenamiento adicional o evaluación de la función neuronal (ENN) al utilizar técnicas guiadas (p. ej., guía sin clasificador) para generar muestras condicionales de alta calidad. PLADIS mejora los modelos U-Net/Transformer preentrenados extrapolando las correlaciones de la clave de consulta mediante softmax y su contraparte dispersa en la capa de atención cruzada durante el proceso de inferencia. Al aprovechar la robustez al ruido de la atención dispersa sin entrenamiento adicional ni ENN, superamos las dificultades de los modelos existentes y mejoramos la alineación del texto y la preferencia humana. Se integra perfectamente con técnicas guiadas, incluyendo los modelos de destilación guiada.
