字节推出的NextFlow模型，通过统一的自回归架构实现了多模态理解与生成的突破。其独特的‘下一尺度’预测技术，不仅将图像生成速度提升至5秒，更在质量上媲美专用扩散模型，为AI生成领域带来了新的范式。
智能速览
NextFlow是一个统一的解码器式自回归Transformer模型。
在视觉生成中采用‘下一尺度’预测，替代传统扫描方式。
实现5秒生成1024×1024分辨率图像，速度数量级提升。
视觉质量可与专用扩散模型相抗衡。
应用覆盖图像编辑、图文交错生成及视频生成。
精华内容
NextFlow的核心创新在于其架构设计，它巧妙地处理了文本与图像的结构差异，从而带来了性能上的飞跃。
统一架构创新
NextFlow的核心是统一的解码器式自回归架构。它通过在6万亿规模的文本-图像交错数据上进行训练，原生具备了多模态能力。该设计的精妙之处在于识别了不同模态的本质差异：文本是严格的序列结构，而图像是层级结构。因此，模型在文本生成时沿用下一token预测，在视觉生成时则创新性地采用了‘下一尺度’预测，彻底摆脱了传统逐像素或逐patch的扫描方式。
生成速度飞跃
正是基于‘下一尺度’预测的架构革新，NextFlow在生成效率上实现了突破。模型能够在短短5秒内生成一张1024×1024高分辨率图像。这一速度相较于传统的自回归模型，实现了数量级的提升，极大地缩短了用户的等待时间，让实时或近实时的图像生成应用成为可能。
质量与训练保障
在追求速度的同时，NextFlow并未牺牲生成质量。为了解决多尺度生成可能带来的不稳定性，研发团队提出了一套稳健的训练方法，并引入了面向强化学习的前缀微调策略。实验结果表明，NextFlow的视觉质量已经可以与当前主流的专用扩散模型相抗衡，在统一多模态模型领域达到了业界领先水平。
NextFlow模型为多模态领域提供了一个高效且强大的新选择。它证明了自回归架构在视觉生成上的巨大潜力，未来能否在更多模态和任务中展现其优势，值得持续关注。
