Хардкор про сэмплирование в диффузионках. Вторая работа с ICML 2026 Outstanding Paper Award. High-Accuracy Sampling for Diffusion Models and Log-Concave Distributions __Fan Chen, Sinho Chewi, Constantinos Daskalakis, Alexander Rakhlin__ Paper: https://arxiv.org/abs/2602.01338 ICML Submission: https://openreview.net/forum?id=GW3umRqsZZ Review: https://arxiviq.substack.com/p/icml-2026-high-accuracy-sampling Code: N/A Model: N/A ICML 2026 Outstanding Paper Award. # TL;DR ЧТО сделали: Авторы разработали First-Order Rejection Sampling (FORS) — метод высокоточного семплирования без дополнительного обучения (training-free). Он позволяет получать выборки с гарантированной точностью (ошибка `δ` за `polylog(1/δ)` шагов) для генеративных диффузионных моделей и логарифмически вогнутых (log-concave) распределений, используя только оценки градиента первого порядка (скор-функцию). ПОЧЕМУ это важно: Традиционные дискретные SDE-семплеры ограничены полиномиальной погрешностью дискретизации, масштабирующейся как `poly(1/δ)`. Сформулировав задачу принятия-отклонения (accept-reject) как задачу «бернуллиевской фабрики» (Bernoulli factory) и решив её через криволинейные интегралы, авторы создали первый высокоточный скор-ориентированный метод семплирования, который полностью избегает вычислительно тяжёлых и зачастую невычислимых оценок плотности. Это доказывает, что высокоточное семплирование реализуемо при стандартных `L_2`-оценках скор-функции. Для практиков: С теоретической точки зрения эта работа — важнейшая веха, заслужившая награду Outstanding Paper Award на конференции ICML. Исследователи доказали, что можно обойти барьер дискретизации SDE и генерировать высокоточные выборки экспоненциально быстрее, чем считалось ранее, при этом вообще не меняя архитектуру сети и не обращаясь к плотностям распределения. Сэмплировать тут: https://t.me/gonzo_ML_podcasts/4366