AI-beelden worden straks niet meer beter door het model opnieuw te trainen, maar door slim in te grijpen op het moment dat het beeld wordt gegenereerd. Onderzoekers presenteerden daarvoor een nieuwe techniek: 'noise-rejuvenated SMC'.
In een wetenschappelijk artikel dat is geaccepteerd door TMLR beschrijven Wenyi Lian, Zheng Zhao en Thomas B. Schön hoe AI-systemen met hun methode beter aansluiten bij menselijke voorkeuren. De truc: de kwaliteit van de output verbeteren tijdens het generatieproces zelf, in plaats van tijdens de trainingsfase. Dat heet 'test-time scaling'.
Het probleem met flow matching
Generatieve AI gebruikt vaak diffusiemodellen om beelden te maken op basis van tekst. Een veelgebruikte manier om die beelden te sturen naar specifieke beloningen — zoals scores die gebaseerd zijn op menselijke voorkeuren — is Sequential Monte Carlo (SMC).
Maar daar knelt het, aldus de publicatie op arxiv.org. Traditionele SMC vertrouwt op stochastische voorstellen, terwijl flow matching-modellen werken met deterministische Ordinary Differential Equations (ODE's). Bestaande SMC-methoden konden daardoor niet direct worden toegepast op deze modernere architecturen — tenzij je de sampler eerst omzette naar een Stochastic Differential Equation (SDE).
De oplossing: ruis en vooruitkijken
De onderzoekers lossen dat op met twee ingrepen. Eerst wordt elke hersamplede 'particle' — een onderdeel van het generatieproces — bewust verstoord. Dat gebeurt door de bronruis te wijzigen en een nieuwe tussenstaat te creëren op basis van de huidige schatting van het eindpunt. Zo kan de AI nieuwe staten verkennen zonder de deterministische aard van de flow-matching interpolatie te verlaten.
Daarnaast voegden de auteurs een 'look-ahead' mechanisme toe. Dat verfijnt de hersamplede particles voordat ze een definitief gewicht krijgen in het proces.
Getest op grote modellen
Werkt het? Ja. De methode is getest op Stable Diffusion 3, FLUX.1-dev en Z-Image. De resultaten tonen aan dat noise-rejuvenated SMC consistent leidt tot betere generaties die worden gestuurd door beloningssystemen.
Aanvullende ablation studies bevestigen dat zowel de noise rejuvenation als de look-ahead verfijning wezenlijk bijdragen aan de uiteindelijke beeldkwaliteit. De volledige details en de bijbehorende code zijn beschikbaar gesteld via de projectpagina.
Het onderzoek werd op 18 oktober 2026 ingediend en op 23 oktober 2026 in een herziene versie (v2) geplaatst. Het markeert een stap voorwaarts: gebruikers kunnen de output van complexe AI-modellen sturen zonder volledige hertraining. Door het optimalisatieproces naar de inferentietijd te verplaatsen, reageren modellen flexibeler op specifieke gebruikerswensen en kwaliteitsnormen.
🧠 Even simpel uitgelegd
Stel je voor dat een AI een foto 'schildert' in stapjes, zoals een pen die langzaam van een wazige vlek naar een scherp beeld beweegt. Tot nu toe kon je die pen alleen bijsturen door de schilder opnieuw op te leiden — duur en traag. Deze onderzoekers vonden een manier om tijdens het schilderen zelf kleine 'verfspetters' toe te voegen en vooruit te kijken naar het eindresultaat. Zo kan de AI onderweg bijsturen en eindigt het beeld dichter bij wat jij eigenlijk wilt — zonder dat het hele model opnieuw hoeft te leren.