自回歸文生圖，迎來新王者——

　　新開源模型Infinity，字節商業化技術團隊出品，超越Diffusion Model。

　　值得一提的是，這其實是從前段時間斬獲NeurIPS最佳論文VAR衍生而來的文生圖版本。

　　在預測下一級分辨率的基礎上，Infinity用更加細粒度的bitwise tokenizer建模圖像空間。同時他們將詞表擴展到無窮大，增大了Image tokenizer的表示空間，大大提高了自回歸文生圖的上限。他們還將模型大小擴展到20B。

　　結果，不僅在圖像生成質量上直接擊敗了Stabel Diffusion3，在推理速度上，它完全繼承了VAR的速度優勢，2B模型上比同尺寸SD3快了3倍，比Flux dev快14倍，8B模型上比同尺寸的SD3.5快了7倍。

　　目前模型和代碼都已開源，也提供了體驗網站。

　　來看看具體細節。

　　自回歸文生圖新王者

　　在過去自回歸模型和擴散模型的對比中，自回歸模型廣受詬病的問題是生成圖像的畫質不高，缺乏高頻細節。

　　在這一背景下，Infinity生成的圖像細節非常豐富，還能夠生成各種長寬比圖像，解掉了大家過去一直疑慮的VAR不支持動態分辨率的問題。

　　具體性能上面，作為純粹的離散自回歸文生圖模型，Infinity在一眾自回歸方法中一鳴驚人，遠遠超過了HART、LlamaGen、Emu3等方法。

　　與此同時，Infinity也超過了SDXL，Stable diffusion3等Diffusion路線的SOTA方法。

　　人類評測上，用戶從畫面整體、指令遵循、美感三個方面對于Infinity生成圖像和HART、PixArt-Sigma、SD-XL、SD3-Meidum生成圖像進行了雙盲對比。

　　其中HART是一個同樣基于VAR架構，融合了diffusion和自回歸的方法。PixArt-Sigma、SD-XL、SD3-Meidum是SOTA的擴散模型。

　　Infinity以接近90%的beat rate擊敗了HART模型。顯示了Infinity在自回歸模型中的強勢地位。

　　此外，Inifnity以75%、80%、65%的beat rate擊敗了SOTA的擴散模型如PixArt-Sigma、SD-XL、SD3-Meidum等，證明了Infinity能夠超過同尺寸的擴散模型。

　　那么，這背后具體是如何實現的?

　　Bitwise Token自回歸建模提升了模型的高頻表示

　　大道至簡，Infinity的核心創新，就是提出了一個Bitwise Token的自回歸框架——

　　拋棄原有的“Index-wise Token”，用+1或-1構成的細粒度的“Bitwise Token”預測下一級分辨率。

　　在這個框架下，Infinity表現出很強的scaling特性，通過不斷地scaling視覺編碼器(Visual Tokenizer)和transformer，獲得更好的表現。

　　在Bitwise Token自回歸框架中，關鍵技術是一個多尺度的比特粒度視覺編碼器(Visual Tokenizer)。

　　它將H×W×3大小的圖像編碼、量化為多尺度的特征:1×1×d，2×2×d，…，h×w×d。其中d是視覺編碼器的維度，每一維是+1或-1。詞表的大小是2d。過去的方法中，會繼續將d維的特征組合成一個Index-wise Token(索引的范圍是0~2d-1，用這個Index-wise Token作為標簽進行多分類預測，總共類別是詞表大小，即2d。

　　Index-wise Token存在模糊監督的問題。如下圖所示，當量化前的連續特征發生微小擾動后(0.01變成-0.1)，Index-wise Token的標簽會發生劇烈變化(9變成1)，使得模型優化困難。

　　而Bitwise Token僅有一個比特標簽發生翻轉，其他比特標簽仍能提供穩定監督。相比于Index-wise Token，Bitwise Token更容易優化。

　　研究人員在相同的實驗設置下對比了Index-wise Token和Bitwise Token。

　　結果顯示，預測Bitwise Token能夠讓模型學到更細粒度的高頻信號，生成圖像的細節更加豐富。

　　無窮大詞表擴展了Tokenizer表示空間

　　從信息論的角度來看，擴散模型采用的連續Visual Tokenizer表示空間無窮大，而自回歸模型采用的離散Visual Tokenizer表示空間有限。

　　這就導致了自回歸采用的Tokenizer對于圖像的壓縮程度更高，對于高頻細節的還原能力差。為了提升自回歸文生圖的上限，研究人員嘗試擴大詞表以提升Visual Tokenizer的效果。

　　但是基于Index-wise Token的自回歸框架非常不適合擴大詞表。基于Index-wise Token的自回歸模型預測Token的方式如下圖左邊所示，模型參數量和詞表大小正相關。

　　當d=32的時候，詞表大小為232，預測Index-wise Token的transformer分類器需要有2048×232=8.8×1012=8.8T的參數量!

　　光一個分類器的參數量就達到了50個GPT3的參數量，這種情況下擴充詞表到無窮大顯然是不可能的。

　　研究人員的解決方法簡單粗暴，如上圖右邊所示，丟掉索引，直接預測比特!有了Bitwise Token自回歸建模后，研究人員采用d個+1或-1的二分類器，并行地預測下一級分辨率+1或-1的比特標簽。做出這樣的改變后，參數量一下從8.8T降到了0.13M。所以說，采用Bitwise Token建模自回歸后，詞表可以無限大了。

　　有了無限大詞表，離散化的Visual Tokenizer落后于連續的問題似乎沒有這么嚴重了:

　　如上表所示，當詞表大小放大到后，離散的視覺編碼器在ImageNet上重建的FID居然超過了Stable Diffusion提出的連續的VAE。

　　從可視化效果來看，無限大詞表(Vd=232)，相比于小詞表，對于高頻細節(如上圖中的人物眼睛、手指)重建效果有質的提升

　　Model Scaling穩步提升效果

　　解決了制約生成效果天花板的視覺編碼器的問題后，研究人員開始了縮放詞表和縮放模型的一系列實驗。

　　研究發現，對于125M的小模型，使用Vd=216的小詞表，相比于Vd=232的大詞表，收斂的更快更好。

　　但是隨著模型的增大，大詞表的優勢逐漸體現出來。當模型增大到2B并且訓練迭代超過50K以后，大詞表取得了更好的效果。最終Infinity采取Vd=232的大詞表，考慮到232已經超過了int32的數值范圍，可以認為是無窮大的數，這也是Infinity的命名由來。

　　總結來看，(無窮)大詞表加大模型，加上充分的訓練后，效果要明顯好于小詞表加大模型。

　　除了scaling詞表以外，研究人員還做了對Infinity模型大小的scaling實驗。

　　他們在完全相同的實驗設定下比較了125M、361M、940M、2.2B、4.7B五個不同尺寸大小的模型。

　　可以看到，隨著模型的增大和訓練資源的增加，驗證集損失穩步下降，驗證集準確率穩定提升。另外，研究人員發現驗證集Loss和各項測試指標存在很強的線性關系，線性相關系數高達0.98。

　　下圖每個九宮格對應同一個提示詞在不同模型大小、不同訓練步數的生成圖像。

　　從上往下分別是:逐漸增大模型規模，對應125M、1B、5B模型生成的圖像。

　　從左往右分別是模型訓練的步數逐漸增多后生成的圖像。

　　我們能明顯看出:Infinity有著良好的scaling特性，更大的模型、更多的訓練，能夠生成語義結構、高頻細節更好的圖像。

　　另外Infinity還提出了比特自我矯正技術，讓視覺自回歸文生圖模型具有了自我矯正的能力，緩解了自回歸推理時的累計誤差問題。

　　Infinity還能夠生成各種長寬比圖像，解決了VAR不支持動態分辨率的問題。

　　下圖列出了Infinity和其他文生圖模型對比的例子。

　　可以看到，Infinity在指令遵循，文本渲染、畫面美感等方面都具有更好的表現。

　　除了效果以外，Infinity完全繼承了VAR預測下一級分辨率的速度優勢，相比于擴散模型在推理速度上具有顯著的優勢。

　　2B模型生成1024x1024的圖像用時僅為0.8s，相比于同尺寸的SD3-Medium提升了3倍，相比于12B的Flux Dev提升了14倍。8B模型比同尺寸的SD3.5快了7倍。20B 模型生成1024x1024的圖像用時3s，比12B的Flux Dev還是要快將近4倍。

　　目前，在GitHub倉庫中，Infinity的訓練和推理代碼、demo、模型權重均已上線。

　　Infinity2B和20B的模型都已經開放了網站體驗，感興趣的同學可以試一試效果。