长期以来，视觉生成领域一直被扩散模型（Diffusion Models）所统治，而传统的离散自回归模型（AR）虽然在文本理解上大放异彩，但在图像生成质量上却总显得低人一等。近日，一项名为 BAR（Masked Bit AutoRegressive modeling） 的研究打破了这一僵局。

研究团队指出，离散模型之前的劣势并非因为“离散化”本身，而是受限于**“比特预算”。通过引入全新的掩码位建模（Masked Bit Modeling）**技术，BAR 不仅在生成质量上刷新了世界纪录，更在速度上对传统模型实现了倍杀。

核心突破：让离散模型拥有“无限”胃口

在传统的离散模型（如 VQGAN）中，增加图像细节意味着必须扩大“码本（Codebook）”——这就像是要让模型背诵一个包含数百万单词的字典，会导致内存崩溃和训练困难。

BAR 的天才之处在于其“解耦”策略：

1. 全局建模：使用一个高效的 Transformer 像写文章一样预测下一个 Token。

2. 

   掩码位预测头 (MBM Head)：不再直接从巨大的字典里做选择题，而是将 Token 拆解为最基础的二进制位（Bits）。通过类似于“猜数字”的掩码机制，模型分步生成比特位，从而支持理论上无限大的码本规模，且内存消耗呈对数级下降。

战绩斐然：0.99 gFID 刷新纪录

在图像生成界的“奥林匹克”——ImageNet-256 基准测试中，BAR 交出了一份令人惊叹的答卷：

• 质量登顶：BAR 取得了 0.99 的 gFID 分数，这是目前已知离散和连续生成模型中的最佳成绩，生成的图像精细度已真假难辨。

• 降维打击：仅拥有 4.15 亿参数的 BAR-B 模型，其表现便超越了参数量大三倍的 xAR 模型，同时也击败了包括 DiT、DDT 在内的顶级扩散模型。

• 效率狂魔：在采样速度上，BAR 比目前领先的连续模型快了 3.68 倍，且训练收敛速度更快，极大地降低了算力门槛。

行业影响：多模态大模型的“统一语言”

这项研究的意义不仅在于生成几张高清图。由于 BAR 坚持使用离散 Token 路线，它与目前主流的大语言模型（LLM）架构天然兼容。这意味着，未来的多模态大模型（如 GPT-4o 或 Claude 3.5 类模型）可以更自然地统一图像生成与文本理解，而无需在连续与离散两种不同的数学表达间痛苦切换。

“我们证明了离散模型完全有能力在纯视觉表现上超越扩散模型，” 团队在论文中表示，“通往通用多模态智能的路径正变得更加清晰。”