标准回答
两条路线
- 自回归（AR）图像生成：先用 VQ-VAE/VQGAN 把图像压成离散 token，再用 Transformer 按序列逐个预测下一个 token（如 Parti、原始 image-GPT），本质是把语言建模迁到图像。
- 扩散模型：对整张图（或潜空间）从纯噪声开始迭代去噪，逐步还原数据，是连续的噪声反演过程（见 Diffusion 与 GAN 对比）。
VAR 的创新：next-scale prediction
传统 AR 逐 patch token 预测，序列长、慢且打破图像的二维结构。VAR（Visual Autoregressive） 改为逐尺度预测：从粗分辨率到细分辨率，依次预测每个尺度的整张 token 图（next-scale 而非 next-token）。这更符合图像由粗到细的生成直觉，显著提升速度与生成质量。
关键区别
| 维度 | 自回归 / VAR | 扩散 |
|---|---|---|
| 生成方式 | 序列/尺度预测下一项 | 对全图迭代去噪 |
| 表示 | 离散 token | 连续噪声→数据 |
| 加速 | KV Cache、与 LLM 栈统一 | 少步采样器、蒸馏 |
取舍：AR 路线天然兼容 LLM 基础设施、利于多模态统一与缓存加速；扩散在高保真图像上长期表现强，但需多步迭代。
常见误区
⚠️ 常见踩坑
VAR 的「自回归」不是传统的逐 token（next-token）预测，而是逐尺度（next-scale）预测整张特征图——别把它和早期 image-GPT 的逐 patch 范式混为一谈。也别认为自回归图像生成一定比扩散差：VAR 等已在质量与速度上与扩散竞争。
追问
追问 1：VAR 的 next-scale prediction 相比逐 token 自回归有什么优势？
逐 token 预测序列极长、推理慢，且把二维图像强行展平成一维序列、破坏空间局部性。next-scale 把每一步的预测单位从单个 token 变成一整个尺度的 token 图，从粗到细逐级细化：步数大幅减少、保留二维结构、并行度更高，因此速度更快、质量更好，还表现出类似 LLM 的 scaling 特性。
追问 2：为什么自回归图像生成需要先做向量量化（VQ）？
自回归 Transformer 在离散词表上做 softmax 分类预测，而原始像素是连续高维的，直接逐像素自回归代价极高。VQ-VAE/VQGAN 把图像压缩到一个离散码本（codebook）上的 token 网格，既降低序列长度，又把生成问题转化为可用 Transformer 建模的离散序列预测。
追问 3：在多模态统一建模上，自回归相比扩散有何潜在优势？
自回归图像生成与文本生成共享同一套「下一项预测 + Transformer」范式和基础设施，便于把图像 token 与文本 token 放进同一序列做统一建模，复用 KV Cache、连续批处理等推理优化，更容易构建图文交错的统一多模态模型；扩散则需要单独的去噪流程，与 LLM 栈耦合相对松散。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。