> ## Content Index
> Fetch the complete content index at: https://binnn.top/llms.txt
> Use this file to discover other available public pages before exploring further.

# Jeveration：用共享随机状态协调单次前向图像生成
- URL: https://binnn.top/jeveration-shared-random-image-generation/
- Published: 2026-11-19T07:35:58.000Z
- Updated: 2026-11-19T10:39:51.000Z
- Description: 论文把图像生成转化为并行的离散编码选择，通过共享随机状态与分阶段训练协调各位置，并用同一检查点支持生成和密集预测。
- Author: Sunbin 编辑部
- Tags: AI 最新论文进展, 视觉与多模态, #sunbin-auto, #sunbin-newsroom

论文阅读笔记 · arxiv.org · 原文日期 2026-11-18

## 冻结骨干，共用一个检查点

Jeveration以Qwen3.5-4B视觉语言模型为骨干，保持其权重冻结，增加LoRA适配器与输出头。作者将图像或密集预测图视为一次结构化决策，让同一检查点支持文生图、图生图和密集预测，每项任务均通过一次前向计算给出输出。

## 共享随机状态协调各位置

并行选择图像编码的难点在于，同一提示可以对应多幅合理图像，各位置独立选择时可能拼出互不协调的局部。论文让所有位置依赖同一个随机状态，以此协调编码选择；设计目标是在改变随机状态时得到不同图像，同时保留整幅图的连贯性。

## 先学分布，再指导生成决策

共享随机状态并非加入后就能发挥作用。作者指出，仅用目标图像监督训练，模型容易忽略这一状态。因此训练先学习以离散编码表示的图像分布，再用学到的分布判断单次前向生成的决策并指导训练。推理的并行输出依赖这套分阶段学习过程。

## 评测计入解码与预热条件

论文的延迟口径是从提示输入到图像解码完成的端到端耗时：使用单张H200，批量为1，先预热两次，再取五次调用的中位数。密集预测则在NYUv2的654张测试图像上评估；用于对照的仅做密集预测的模型采用相同骨干和初始化。这些设置界定了结果的适用范围。

原始标题：Jeveration: System One Models Now Generate  
[来源：arxiv.org](https://arxiv.org/abs/2611.24738?ref=binnn.top)