聲明:本文來自微信公眾號“新智元”，作者:新智元，編輯:KingHZ，授權(quán)站長之家轉(zhuǎn)載發(fā)布。
自回歸模型的新突破:首次生成2048×2048分辨率圖像!
來自Meta、西北大學(xué)、新加坡國立大學(xué)等機構(gòu)的研究人員，提出了TokenShuffle，為多模態(tài)大語言模型（MLLMs）設(shè)計的即插即用操作，顯著減少了計算中的視覺token數(shù)量，提高效率并促進高分辨率圖像合成。
圖1:采用新技術(shù)的27億參數(shù)自回歸模型生成的高分辨率圖像
除了實現(xiàn)超高分辨率圖像生成外，生成質(zhì)量也非常出色。
基于27億參數(shù)的Llama模型，新方法顯著超越同類自回歸模型，甚至優(yōu)于強擴散模型:
在GenEval基準測試中，獲得0.62的綜合得分，
在GenAI-Bench上，取得0.77的VQAScore，創(chuàng)造了新的技術(shù)標桿。
此外，大規(guī)模人類評估，也驗證了該方法的有效性。
鏈接:https://arxiv.org/abs/2504.17789
與傳統(tǒng)方法逐個學(xué)習(xí)和生成每個視覺token不同，新方法在局部窗口內(nèi)按順序處理和生成一組token，如圖2所示。
圖2:Token-Shuffle流程
Token-Shuffle包括:
token-shuffle操作，用于在Transformer輸入階段合并局部空間內(nèi)的視覺token，
以及token-unshuffle操作，用于在推理階段還原視覺token。
該方法顯著減少了計算中所需的視覺token數(shù)量，同時保持了高質(zhì)量的生成效果。
而且，Token-Shuffle展現(xiàn)的效能與效率，揭示了其在賦能多模態(tài)大語言模型（MLLMs）實現(xiàn)高分辨率、高保真圖像生成方面的巨大潛力，為超越基于擴散的方法開辟了新路徑。
GPT-4o沒說的秘密:自回歸圖像生成
在語言生成領(lǐng)域，自回歸（Autoregression）模型稱霸多日。
在圖像合成，自回歸的應(yīng)用雖日益增多，但普遍被認為遜色于擴散模型。
這一局限主要源于AR模型需要處理大量圖像token，嚴重制約了訓(xùn)練/推理效率以及圖像分辨率。
比如，基于自回歸技術(shù)的GPT-4o生圖，讓OpenAI的GPU都「融化」了。
但遺憾的是，OpenAI并沒有公開背后的技術(shù)原理。
這次，來自Meta等機構(gòu)的研究者，發(fā)現(xiàn)在多模態(tài)大語言模型（MLLMs）中，視覺詞表存在維度冗余:視覺編碼器輸出的低維視覺特征，被直接映射到高維語言詞表空間。
研究者提出了一種簡單而新穎的Transformer圖像token壓縮方法:Token-Shuffle。
他們設(shè)計了兩項關(guān)鍵操作:
token混洗（token-shuffle）:沿通道維度合并空間局部token，用來減少輸入token數(shù);
token解混（token-unshuffle）:在Transformer塊后解構(gòu)推斷token，用來恢復(fù)輸出空間結(jié)構(gòu)。
在輸入準備階段，通過一個MLP模塊將空間上相鄰的token進行融合，形成一個壓縮后的token，同時保留局部的關(guān)鍵信息。
對于打亂窗口大小為s的情況，token數(shù)量會按s的平方減少，從而大幅降低Transformer的運算量。
圖3:視覺詞匯維度冗余的示意圖。左側(cè):通過兩個MLP操作將視覺token的秩降低r倍。右側(cè):不同r值下的預(yù)訓(xùn)練損失（對數(shù)刻度困惑度）
在經(jīng)過Transformer層處理后，token-unshuffle操作重新還原出原本的空間排列過程。這一階段同樣借助了輕量級的MLP模塊。
本質(zhì)上，新方法在訓(xùn)練和推理過程中并未真正減少序列長度，而是在Transformer計算過程中，有效減少了token數(shù)量，從而加速計算。
圖4直觀地展示了新方法在效率上的提升。
圖4:Token-Shuffle能夠?qū)崿F(xiàn)計算效率的二次提升
通過在Transformer計算期間壓縮token序列，Token-Shuffle實現(xiàn)了高效的高分辨率圖像生成，包括支持2048×2048分辨率的圖像。
重要的是，這種方法無需對Transformer架構(gòu)本身進行修改，也不引入輔助損失函數(shù)或需要額外預(yù)訓(xùn)練的編碼器。
此外，該方法還集成了一個針對自回歸生成專門調(diào)整的無分類器引導(dǎo)（Classifier-Free Guidance，CFG）調(diào)度器。
不同于傳統(tǒng)的固定引導(dǎo)強度，新的CFG調(diào)度器在推理過程中逐步調(diào)整引導(dǎo)力度，減少早期token生成的偽影問題，并進一步提升文本與圖像的對齊效果。
研究者探索了幾種CFG調(diào)度策略，相關(guān)結(jié)果展示在圖5中。
根據(jù)視覺質(zhì)量和人類評估的反饋，默認采用「半線性」（half-linear）調(diào)度器，以獲得更好的生成效果。
圖5:不同CFG調(diào)度器的比較，CFG尺度從1單調(diào)增加到7.5
右側(cè)結(jié)果顯示，相較于在所有視覺token上使用固定7.5的CFG值，采用CFG調(diào)度器能夠同時提升圖像的美學(xué)質(zhì)量和文本對齊效果。
不同無分類器引導(dǎo)（CFG）尺度下的生成圖像示例
自回歸的歷史性突破
該方法通過與文本提示聯(lián)合訓(xùn)練，無需額外預(yù)訓(xùn)練文本編碼器，就能讓MLLMs在下一個token預(yù)測框架下，支持超高分辨率圖像合成，同時保持高效訓(xùn)練推理。
這是自回歸模型首次實現(xiàn)2048×2048分辨率的文生圖。
在GenAI基準測試中，27億參數(shù)Llama模型在困難提示下取得0.77綜合得分，較AR模型LlamaGen提升0.18，超越擴散模型LDM達0.15。
大規(guī)模人工評估也證實新方法在文本對齊度、視覺缺陷率和美學(xué)質(zhì)量上的全面優(yōu)勢。
在MLLMs高效生成高分辨率圖像領(lǐng)域，Token-Shuffle有望成為基準設(shè)計方案。
消融實驗等更多內(nèi)容和細節(jié)，參閱原論文。
模型訓(xùn)練:3步曲
實驗使用2.7B Llama模型，維度為3072，由20個自回歸Transformer模塊組成。
模型的預(yù)訓(xùn)練被分為3個階段，從低分辨率到高分辨率圖像生成。
首先，研究者使用512×512分辨率的圖像進行訓(xùn)練，在此階段不使用Token-Shuffle操作，因為此時視覺token的數(shù)量并不大。在這一階段，他們訓(xùn)練了約50億個token，使用4K的序列長度、512的全局批量大小和總共211K步。
接下來，研究者將圖像分辨率提升到1024×1024，并引入Token-Shuffle操作，減少視覺token數(shù)量，提高計算效率。在這一階段，他們將訓(xùn)練token數(shù)量擴展到2TB。
最后，研究者使用之前訓(xùn)練的checkpoint，將分辨率進一步提升至2048×2048，訓(xùn)練約300億個token，初始學(xué)習(xí)率設(shè)為4e?5。
他們引入了z-loss，用于穩(wěn)定高分辨率圖像生成的訓(xùn)練。
原文圖11:在2048×2048分辨率下訓(xùn)練時的平均損失（左）和梯度范數(shù)(右)。在大約20K次迭代后出現(xiàn)訓(xùn)練不穩(wěn)定現(xiàn)象
在不同階段，研究者對所有模型進行了微調(diào)，學(xué)習(xí)率為4e?6，使用1500張精選的高美學(xué)質(zhì)量圖像進行展示。
默認情況下，除非另有說明，可視化和評估是基于1024×1024分辨率和2大小的token-shuffle窗口的微調(diào)結(jié)果。
量化評估:又快又好
表1中的結(jié)果突顯了Token-Shuffle的強大性能。
與其他自回歸模型相比，新方法在「基本」（basic）提示上整體得分超越LlamaGen0.14分，在「高難度」(hard)提示上超越0.18分。
與擴散基準相比，新方法在「高難度」提示上超越DALL-E30.7分。
表1:在GenAI-Bench上的圖像生成VQAScore評估?！?」表示圖像是通過Llama3重寫提示生成的，保證訓(xùn)練與推理的一致性
除了表1中報告的VQAScore結(jié)果外，研究者還進行了額外的自動評估GenEval，并在表2中報告了詳細的評估結(jié)果。
實驗結(jié)果表明，除了高分辨率外，Token-Shuffle作為一個純自回歸模型，能夠呈現(xiàn)出令人滿意的生成質(zhì)量。
表2:在GenEval基準測試上的評估。
人類評估
盡管自動化評估指標提供了無偏的評估，但最近的研究所指出它們可能并不能完全捕捉到人類偏好。
為此，研究者還在GenAI-Bench提示集上進行了大規(guī)模的人類評估，將新模型Token-Shuffle與LlamaGen、LuminamGPT和LDM進行了比較，分別代表了自回歸模型、MLLM和擴散模型。
在人類評估中，重點關(guān)注三個關(guān)鍵指標:
文本對齊，評估圖像與文本提示的匹配準確度;
視覺缺陷，檢查邏輯一致性，避免出現(xiàn)不完整的身體或多余的肢體等問題;
視覺外觀，評估圖像的美學(xué)質(zhì)量。
存在視覺缺陷與結(jié)構(gòu)錯誤的生成圖像示例（紅色圓圈標記處）
圖6展示了結(jié)果，新模型在所有評估方面始終優(yōu)于基于自回歸的模型LlamaGen和LuminamGPT。
這表明，即使在大幅減少token數(shù)量以提高效率的情況下，Token-Shuffle也能有效地保留美學(xué)細節(jié)，并且能夠緊密遵循文本引導(dǎo)，前提是進行了充分的訓(xùn)練。
在生成結(jié)果（無論是視覺外觀還是文本對齊）上，研究者展示了基于自回歸的多模態(tài)大語言模型(AR-based MLLMs)能夠與擴散模型相媲美或更勝一籌。
然而，研究者觀察到，Token-Shuffle在視覺缺陷方面略遜于LDM。
圖6:人類評估結(jié)果|在文本對齊、視覺缺陷和視覺外觀方面等方面，比較了Token-Shuffle與無文本的自回歸模型LlamaGen、帶文本的自回歸模型Lumina-mGPT以及基于擴散的模型LDM的表現(xiàn)
可視化示例
研究者將Token-Shuffle與其他模型進行了視覺效果對比，包括兩種基于擴散的模型LDM和Pixart-LCM，以及一種自回歸模型LlamaGen。
圖7展示了可視化例子。
雖然所有模型的生成效果都不錯，但Token-Shuffle在文本對齊方面表現(xiàn)得更加出色。
與自回歸模型LlamaGen相比，Token-Shuffle在相同推理開銷下實現(xiàn)了更高的分辨率，帶來了更好的視覺質(zhì)量和文本對齊效果。
與擴散模型相比，自回歸模型Token-Shuffle在生成性能上表現(xiàn)出競爭力，同時還能支持高分辨率輸出。
圖7:與其他開源的基于擴散模型和基于自回歸模型的視覺效果對比
一作簡介
馬旭（Xu Ma）
他是美國東北大學(xué)工程學(xué)院的博士研究生。
在此之前，他在美國德克薩斯大學(xué)北部分校計算機科學(xué)與工程系工作了兩年。
在南京林業(yè)大學(xué)信息科學(xué)與技術(shù)學(xué)院， 他獲得了學(xué)士和碩士學(xué)位。
他的研究興趣包括:模型效率、多模態(tài)大語言模型（LLM）、生成式人工智能(Generative AI)。
在博士學(xué)習(xí)期間，他獲得了一些獎項，包括ICME'20最佳學(xué)生論文獎、SEC'19最佳論文獎、NeurIPS'22杰出審稿人獎和CVPR'23杰出審稿人獎。
參考資料:
https://www.marktechpost.com/2025/04/25/meta-ai-introduces-token-shuffle-a-simple-ai-approach-to-reducing-image-tokens-in-transformers/
https://arxiv.org/abs/2504.17789
（舉報）