人工智能生成内容（AIGC）领域正经历着快速的技术迭代。在图像生成方向，扩散模型（Diffusion Model）因其出色的生成质量，长期以来被视为主流技术路径。然而，一项名为“视觉自回归建模”（Visual Autoregressive Modeling, VAR）的新研究，为该领域带来了全新的视角和解决方案。
该研究提出了一种创新的自回归生成范式，使其在性能、效率和可扩展性上，首次全面超越了以DiT（Diffusion Transformer）为代表的强基线模型，并展现出与大语言模型（LLM）类似的关键特性。
传统自回归模型的局限性
自回归模型（AR）在自然语言处理领域取得了巨大成功，其代表作GPT系列的核心机制是“预测下一个词元（token）”。这一机制被直接迁移至图像生成领域时，通常表现为一种“光栅扫描”（raster-scan）模式：模型按照从左到右、从上到下的固定顺序，逐个预测图像块（token）来构建完整图像。
然而，这种方法存在固有的理论与实践缺陷。首先，它将二维的图像数据强行转换为一维序列，破坏了图像固有的空间局部性与结构信息。其次，其单向的生成过程限制了模型对全局上下文的理解，导致生成图像的整体协调性不足。此外，逐个词元的生成方式导致计算复杂度极高，推理速度缓慢，严重制约了其实用性。这些因素共同导致了传统AR模型在图像生成任务上的表现长期落后于扩散模型。
VAR的核心创新：“下一尺度预测”
VAR模型的研究者们提出，图像的生成过程更符合人类视觉感知与艺术创作的逻辑，即一个“从粗到细”（Coarse-to-Fine）的层级化过程。基于此洞察，VAR重新定义了图像的自回归学习目标，用“下一尺度预测”（next-scale prediction）取代了“下一词元预测”。
VAR的生成流程如下：
1.初始阶段：模型首先生成一个极低分辨率的特征图（例如1x1），该特征图封装了图像最高层级的语义与结构信息。
2.尺度递进：以此低分辨率特征图为条件，模型预测并生成一个分辨率更高、细节更丰富的下一尺度特征图。
3.迭代生成：该过程迭代进行，每个新生成的尺度都基于前一个更粗糙的尺度进行细化，直至达到目标分辨率。
在这种范式下，模型在每一步生成时都能够利用前一阶段完整的全局信息，确保了生成内容在结构和语义上的一致性。同时，由于在每个尺度内部，所有词元是并行生成的，其计算效率相较于传统AR模型得到了根本性的提升。
实验结果与核心优势
为了验证VAR范式的有效性，研究者在ImageNet等标准数据集上进行了广泛的实验评估。
1. 性能与效率的全面超越
实验结果表明，VAR模型在图像生成质量的核心指标（如FID，值越低越好）上，取得了业界领先的水平，其性能表现优于包括DiT在内的多种主流生成模型。同时，其推理速度相比传统AR模型提升了约20倍，且显著快于多数扩散模型。
2. 验证视觉模型的“缩放定律”
更具深远意义的是，VAR模型清晰地展现了与LLM类似的“缩放定律”（Scaling Laws）。通过训练从千万级到20亿参数的12个不同规模的模型，研究发现模型的性能（以测试损失衡量）与参数量、计算投入之间存在着稳定、可预测的幂律关系。这为构建更大、更强的视觉基础模型提供了一条清晰、可量化的技术路径。
3. 零样本泛化能力的初步体现
VAR模型还继承了LLM的另一项关键能力——零样本泛化（Zero-shot Generalization）。未经任何针对性微调，VAR能够直接应用于多种下游任务，如图像修复（in-painting）、图像扩展（out-painting）和图像编辑（editing），并生成合理且高质量的结果。
这种无需额外训练即可适应新任务的能力，证明了VAR不仅学习了像素的统计分布，更深层次地理解了图像的内在结构与语义逻辑。
结论与展望
VAR模型的提出，标志着自回归技术路线在视觉生成领域的一次重大突破。它不仅在技术层面解决了传统AR模型的固有缺陷，在性能上实现了对主流范式的超越，更重要的是，它在视觉模型上成功复现了LLM的“缩放定律”与“零样本泛化”等关键特性。
这项工作为视觉生成领域开辟了新的研究方向，并为探索视觉与语言统一的基础模型提供了有力的实证支持。未来，VAR的“下一尺度预测”思想有望扩展至视频生成等更复杂的任务中，推动多模态通用人工智能的发展。