Jeveration:用共享随机状态协调单次前向图像生成
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。
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