GPT-4o生成的第一視角機器人打字圖

這次，來自Meta等機構的研究者，發現在多模態大語言模型（MLLMs）中，視覺詞表存在維度冗余：視覺編碼器輸出的低維視覺特征，被直接映射到高維語言詞表空間。

研究者提出了一種簡單而新穎的Transformer圖像token壓縮方法：Token-Shuffle。

他們設計了兩項關鍵操作：

1. token混洗（token-shuffle）：沿通道維度合并空間局部token，用來減少輸入token數；
2. token解混（token-unshuffle）：在Transformer塊后解構推斷token，用來恢復輸出空間結構。

在輸入準備階段，通過一個MLP模塊將空間上相鄰的token進行融合，形成一個壓縮后的token，同時保留局部的關鍵信息。

對于打亂窗口大小為s的情況，token數量會按s的平方減少，從而大幅降低Transformer的運算量。

圖3：視覺詞匯維度冗余的示意圖。左側：通過兩個MLP操作將視覺token的秩降低r倍。右側：不同r值下的預訓練損失（對數刻度困惑度）

在經過Transformer層處理后，token-unshuffle操作重新還原出原本的空間排列過程。這一階段同樣借助了輕量級的MLP模塊。

本質上，新方法在訓練和推理過程中并未真正減少序列長度，而是在Transformer計算過程中，有效減少了token數量，從而加速計算。

圖4直觀地展示了新方法在效率上的提升。

圖4：Token-Shuffle能夠實現計算效率的二次提升

通過在Transformer計算期間壓縮token序列，Token-Shuffle實現了高效的高分辨率圖像生成，包括支持2048×2048分辨率的圖像。

重要的是，這種方法無需對Transformer架構本身進行修改，也不引入輔助損失函數或需要額外預訓練的編碼器。

此外，該方法還集成了一個針對自回歸生成專門調整的無分類器引導（Classifier-Free Guidance，CFG）調度器。

不同于傳統的固定引導強度，新的CFG調度器在推理過程中逐步調整引導力度，減少早期token生成的偽影問題，并進一步提升文本與圖像的對齊效果。

研究者探索了幾種CFG調度策略，相關結果展示在圖5中。

根據視覺質量和人類評估的反饋，默認采用「半線性」（half-linear）調度器，以獲得更好的生成效果。

圖5：不同CFG調度器的比較，CFG尺度從1單調增加到7.5

右側結果顯示，相較于在所有視覺token上使用固定7.5的CFG值，采用CFG調度器能夠同時提升圖像的美學質量和文本對齊效果。

不同無分類器引導（CFG）尺度下的生成圖像示例

自回歸的歷史性突破

該方法通過與文本提示聯合訓練，無需額外預訓練文本編碼器，就能讓MLLMs在下一個token預測框架下，支持超高分辨率圖像合成，同時保持高效訓練推理。

這是自回歸模型首次實現2048×2048分辨率的文生圖。

在GenAI基準測試中，27億參數Llama模型在困難提示下取得0.77綜合得分，較AR模型LlamaGen提升0.18，超越擴散模型LDM達0.15。

大規模人工評估也證實新方法在文本對齊度、視覺缺陷率和美學質量上的全面優勢。

在MLLMs高效生成高分辨率圖像領域，Token-Shuffle有望成為基準設計方案。

消融實驗等更多內容和細節，參閱原論文。

模型訓練：3步曲

實驗使用2.7B Llama模型，維度為3072，由20個自回歸Transformer模塊組成。

模型的預訓練被分為3個階段，從低分辨率到高分辨率圖像生成。

首先，研究者使用512×512分辨率的圖像進行訓練，在此階段不使用Token-Shuffle操作，因為此時視覺token的數量并不大。在這一階段，他們訓練了約50億個token，使用4K的序列長度、512的全局批量大小和總共211K步。

接下來，研究者將圖像分辨率提升到1024×1024，并引入Token-Shuffle操作，減少視覺token數量，提高計算效率。在這一階段，他們將訓練token數量擴展到2TB。

最后，研究者使用之前訓練的checkpoint，將分辨率進一步提升至2048×2048，訓練約300億個token，初始學習率設為4e?5。

他們引入了z-loss，用于穩定高分辨率圖像生成的訓練。

原文圖11：在2048×2048分辨率下訓練時的平均損失（左）和梯度范數（右）。在大約20K次迭代后出現訓練不穩定現象

在不同階段，研究者對所有模型進行了微調，學習率為4e?6，使用1500張精選的高美學質量圖像進行展示。

默認情況下，除非另有說明，可視化和評估是基于1024×1024分辨率和2大小的token-shuffle窗口的微調結果。

量化評估：又快又好

表1中的結果突顯了Token-Shuffle的強大性能。

與其他自回歸模型相比，新方法在「基本」(basic)提示上整體得分超越LlamaGen 0.14分，在「高難度」（hard）提示上超越0.18分。

與擴散基準相比，新方法在「高難度」提示上超越DALL-E 3 0.7分。

表1：在GenAI-Bench上的圖像生成VQAScore評估。「?」表示圖像是通過Llama3重寫提示生成的，保證訓練與推理的一致性

除了表1中報告的VQAScore結果外，研究者還進行了額外的自動評估GenEval，并在表2中報告了詳細的評估結果。

實驗結果表明，除了高分辨率外，Token-Shuffle作為一個純自回歸模型，能夠呈現出令人滿意的生成質量。

表2：在GenEval基準測試上的評估。

人類評估

盡管自動化評估指標提供了無偏的評估，但最近的研究所指出它們可能并不能完全捕捉到人類偏好。

為此，研究者還在GenAI-Bench提示集上進行了大規模的人類評估，將新模型Token-Shuffle與LlamaGen、LuminamGPT和LDM進行了比較，分別代表了自回歸模型、MLLM和擴散模型。

在人類評估中，重點關注三個關鍵指標：

1. 文本對齊，評估圖像與文本提示的匹配準確度；
2. 視覺缺陷，檢查邏輯一致性，避免出現不完整的身體或多余的肢體等問題；
3. 視覺外觀，評估圖像的美學質量。

存在視覺缺陷與結構錯誤的生成圖像示例（紅色圓圈標記處）

圖6展示了結果，新模型在所有評估方面始終優于基于自回歸的模型LlamaGen和LuminamGPT。

這表明，即使在大幅減少token數量以提高效率的情況下，Token-Shuffle也能有效地保留美學細節，并且能夠緊密遵循文本引導，前提是進行了充分的訓練。

在生成結果（無論是視覺外觀還是文本對齊）上，研究者展示了基于自回歸的多模態大語言模型（AR-based MLLMs）能夠與擴散模型相媲美或更勝一籌。

然而，研究者觀察到，Token-Shuffle在視覺缺陷方面略遜于LDM。

圖6：人類評估結果｜在文本對齊、視覺缺陷和視覺外觀方面等方面，比較了Token-Shuffle與無文本的自回歸模型LlamaGen、帶文本的自回歸模型Lumina-mGPT以及基于擴散的模型LDM的表現

可視化示例

研究者將Token-Shuffle與其他模型進行了視覺效果對比，包括兩種基于擴散的模型LDM和Pixart-LCM，以及一種自回歸模型LlamaGen。

圖7展示了可視化例子。

雖然所有模型的生成效果都不錯，但Token-Shuffle在文本對齊方面表現得更加出色。

與自回歸模型LlamaGen相比，Token-Shuffle在相同推理開銷下實現了更高的分辨率，帶來了更好的視覺質量和文本對齊效果。

與擴散模型相比，自回歸模型Token-Shuffle在生成性能上表現出競爭力，同時還能支持高分辨率輸出。

圖7：與其他開源的基于擴散模型和基于自回歸模型的視覺效果對比

一作簡介

馬旭（Xu Ma）

他是美國東北大學工程學院的博士研究生。

在此之前，他在美國德克薩斯大學北部分校計算機科學與工程系工作了兩年。

在南京林業大學信息科學與技術學院， 他獲得了學士和碩士學位。

他的研究興趣包括：模型效率、多模態大語言模型（LLM）、生成式人工智能（Generative AI）。

在博士學習期間，他獲得了一些獎項，包括ICME'20最佳學生論文獎、SEC'19最佳論文獎、NeurIPS'22杰出審稿人獎和CVPR'23杰出審稿人獎。