Yucheng Mao

视觉生成被拆成两个阶段：自回归预训练负责获取视觉知识，扩散后训练负责把知识渲染成像素。在约4亿参数的受控对比中，自回归预训练加扩散渲染的路线在GenEval上达到65.5，高于像素扩散从零训练的61.2；语义分词器无需图像解码器或重建损失也能支撑渲染。按拟合出的缩放律分配算力后，约3B参数的文生图模型用约6600 H100 GPU小时训练，在GenEval上得0.86、DPG-Bench得87.78。

视觉生成被拆成两个阶段：自回归预训练负责获取视觉知识，扩散后训练负责把知识渲染成像素。在约4亿参数的受控对比中，自回归预训练加扩散渲染的路线在GenEval上达到65.5，高于像素扩散从零训练的61.2；语义分词器无需图像解码器或重建损失也能支撑渲染。按拟合出的缩放律分配算力后，约3B参数的文生图模型用约6600 H100 GPU小时训练，在GenEval上得0.86、DPG-Bench得87.78。