北大&字节提出VAR新范式，GPT超越扩散、视觉生成Scaling Law

前言

来自北京大学和字节跳动的研究团队，提出了一种名为"Visual AutoRegressive (VAR) Modeling"的全新视觉生成范式。VAR 重新定义了图像的自回归学习过程，从而使得GPT风格的自回归模型首次超越扩散模型，在图像生成质量、速度和可扩展性等多方面都取得了突破性进展。

• Huggingface模型下载：https://huggingface.co/FoundationVision/var

• AI快站模型免费加速下载：https://aifasthub.com/models/FoundationVision

VAR核心思想：模仿人类视觉认知

VAR的核心思想源于人类感知和创造图像的逻辑顺序。相比计算机常用的自上而下、逐行扫描的方式，人类更倾向于先把握全局结构，然后逐步深入细节。

VAR正是借鉴了这种由粗到细的多尺度思路，定义图像的自回归顺序为"下一个更高分辨率的token图谱预测"，而非传统的"下一个token预测"。具体来说，VAR首先使用多尺度量化自编码器(VQVAE)将图像编码为不同分辨率的离散token图谱，然后训练一个自回归Transformer，从最低分辨率的1x1图谱开始，逐步预测出更高分辨率的token图谱。

这种设计不仅更符合人类直觉，而且在计算效率上也有很大优势:在每个尺度内，to