연구진은 복잡한 추론 문제를 해결하기 위해 여러 전문가를 결합하는 이산 확산 모델의 새로운 프레임워크 FactorDiff를 제안했어요. FactorDiff는 샘플을 더 작은 요소로 분해하고, 각 요소를 가장 관련 있는 전문가에게 동적으로 할당하는 방식이에요.
기존 방식은 샘플을 일괄적으로 처리하지만, FactorDiff는 요소별로 공간적 또는 기능적 특수화를 고려해 성능을 향상시켰어요.
ARC-AGI 벤치마크에서 FactorDiff는 논리적 일관성과 공간적 분리 필요성이 높은 작업에서 복잡한 가중치 방식보다 우수한 성능을 보였어요.