تمثّل نماذج التمايز الاحتمالية المُنقّية (DDPM) فئة من النماذج التوليدية التي أظهرت مؤخرًا إنتاجًا عينيًا ممتازًا. نُظهر أنّه مع بضع تعديلات بسيطة، يمكن لـ DDPM تحقيق نتائج تنافسية من حيث الاحتمالات اللوغاريتمية مع الحفاظ على جودة عالية للعينات. علاوةً على ذلك، نجد أن تعلّم التباينات الخاصة بعملية التمايز العكسي يمكّن من العينات باستخدام عدد من التمريرات الأمامية يقلّ بمقدار مرّة أو مرّتين، مع فرق ضئيل جدًا في جودة العينات، وهو ما يُعدّ أمرًا مهمًا للنشر العملي لهذه النماذج. ونستخدم أيضًا معايير الدقة والاسترجاع (precision and recall) لمقارنة مدى تغطية نماذج DDPM ونماذج GAN للترابط المستهدف. وأخيرًا، نُظهر أن جودة العينات والاحتمالات لهذه النماذج تزداد بسلاسة مع قدرة النموذج وكمية الحوسبة المستخدمة في التدريب، مما يجعلها قابلة للتوسع بسهولة. نُطلق كودنا على الرابط التالي: https://github.com/openai/improved-diffusion