Jeveration 通过单次前向传播在 78 ms 内生成 512 × 512 图像
Jeveration 可在 78 ms 内生成一张 512 × 512 图像。它使用冻结的视觉语言模型,在单次前向传播中将整张图像作为一次决策输出。论文地址为 arxiv.org/abs/2611.24738,演示地址为 huggingface.co/spaces/linlinl…。
Jeveration 可在 78 ms 内生成一张 512 × 512 图像。它使用冻结的视觉语言模型,在单次前向传播中将整张图像作为一次决策输出。论文地址为 arxiv.org/abs/2611.24738,演示地址为 huggingface.co/spaces/linlinl…。
Jeveration 统一模型通过双向注意力一次并行生成 128 个离散图像 token,以分块解码替代逐 token 解码。模型基于 Qwen 3.5 4b,以 lora 在四张 96gb GPU 上训练约 400 GPU 小时,geneval 得分 0.74;常规 VLM VQA/理解分数未披露。
Jeveration 将 System One 的并行决策范式用于图像生成,可在单次前向传播中生成高质量图像。它基于冻结的视觉语言模型,以共享随机状态协调各位置预测,并学习离散图像代码分布来引导生成。同一检查点支持文生图、图生图和密集预测;生成 512x512 图像耗时 78 ms,较现有统一模型最高快 122x。
研究提出 Posterior Matching Distillation(PMD),结合模式覆盖的后验采样与任意步生成,将扩散模型教师的迭代采样压缩为少量网络评估。
Open Vision Banana(OVB)提出一套将预训练图像生成器转换为统一多任务视觉感知系统的全开源、可复现方案。基于 4B 和 9B 参数的开放权重基础模型及 2.1M-3.8M 个公开数据集训练对,OVB 在 Cityscapes zero-shot 上以 73.9 mIoU 超过 Vision Banana 报告的 69.9,并接近当前最先进的仿射不变深度估计器。
论文提出 GSTAR 空间—分组协同缩放框架,在固定名义信息预算下让分组大小随每轴空间压缩因子按平方增长,支持 32×及有效 64×压缩,并引入半自回归解码器。在 1024×1024 分辨率下,模型在单张 NVIDIA H200 上每张图生成耗时 2.5 秒,相比此前离散自回归模型提速 20×,并在五个文本到图像基准上保持有竞争力的表现。