arXiv · 机器人与计算机视觉· Xu Huang, Ye Huang, Xiaotong Li, Zhengrong Yue, Jialv Zou, Minhao Jing, Haodong Li, Wenhao Yan, Yaxin Luo, Duomin Wang, Daquan Zhou·· 8 天前AI 评分43
GSTAR:基于分组缩放令牌容量的深度压缩自回归生成模型
G-STAR: Group-Scaled Token Capacity for Deeply Compressed Autoregressive Generation
AI 导读
GSTAR 提出一种空间 - 分组协同缩放框架,在固定信息预算下实现 32 倍甚至有效 64 倍的压缩率。该模型在单张 NVIDIA H200 上以 2.5 秒速度生成 1024×1024 分辨率图像,较先前列式离散自回归模型提速 20 倍。其在 GenEval、DPG-Bench 等五个代表性文生图基准测试中表现与领先模型竞争。
来源:arXiv · 机器人与计算机视觉 · arxiv.org