自回歸（AR）范式憑借將語言轉(zhuǎn)化為離散 token 的核心技術(shù)，在大語言模型領(lǐng)域大獲成功 —— 從 GPT-3 到 GPT-4o，「next-token prediction」以簡單粗暴的因果建模橫掃語言領(lǐng)域。但當(dāng)我們將目光轉(zhuǎn)向視覺生成，卻發(fā)現(xiàn)這條黃金定律似乎失效了……

現(xiàn)有方案硬生生將圖像網(wǎng)格化為空間 token，強行塞入自回歸架構(gòu)。這像極了 NLP 早期用 CNN 建模語言的彎路 —— 當(dāng)視覺表達被空間局部性束縛，因果鏈被切割得支離破碎，如何能真正擁抱 AR 的本質(zhì)？

華為盤古多模態(tài)生成團隊破局思路：讓圖像學(xué)會「說 AR 的語言」。團隊指出：視覺要想復(fù)刻 LLM 的成功，必須徹底重構(gòu) token 化范式！基于昇騰 AI 基礎(chǔ)軟硬件的 Selftok 技術(shù)，通過反向擴散過程將自回歸先驗融入視覺 token，讓像素流轉(zhuǎn)化為嚴格遵循因果律的離散序列。

• 項目主頁：https://Selftok-team.github.io/report/
• ArXiv 鏈接：https://arxiv.org/abs/2505.07538
• Github鏈接: https://github.com/selftok-team/SelftokTokenizer

Selftok 的突破在于：

• 反向擴散鍛造因果 token—— 通過擴散過程的時序分解，讓視覺表達徹底 AR 化
• 強化學(xué)習(xí)友好型 token—— 首個嚴格滿足貝爾曼方程 (Bellman Equation) 的視覺離散表征
• 純 AR 大一統(tǒng)架構(gòu) —— 無需復(fù)雜模塊堆疊，優(yōu)雅地實現(xiàn) LLM 和 diffusion 的融合，單憑 next-token prediction 統(tǒng)一跨模態(tài)生成

實驗結(jié)果實現(xiàn)：

• 視覺重建新突破：Imagenet 上重建指標(biāo)達到離散 token SoTA
• 跨模態(tài)生成新高度：無需圖文對齊數(shù)據(jù)！僅憑視覺 token 策略梯度，GenEval 生成質(zhì)量超越 GPT-4o
• 親和昇騰計算架構(gòu)：昇騰原生算子融合 + MindSpeed 框架，實現(xiàn)端到端原生開發(fā)

值得一提的是，該系列工作的開篇論文《Generative Multimodal Pretraining with Discrete Diffusion Timestep Tokens》也入選了 CVPR 2025 最佳論文候選（Best Paper Candidate, 14/13008，0.1%)

介紹

當(dāng)前行業(yè)共識認為大語言模型（LLMs）正面臨語言數(shù)據(jù)瓶頸，而圖像、視頻等非語言數(shù)據(jù)仍存在巨大開發(fā)潛力。技術(shù)圈普遍認為，構(gòu)建統(tǒng)一的多模態(tài)架構(gòu)將是釋放 AI 更強涌現(xiàn)能力的關(guān)鍵。要將視覺等非語言模態(tài)整合進類似 LLMs 的離散自回歸模型（discrete AR，dAR），核心挑戰(zhàn)在于將連續(xù)視覺信號轉(zhuǎn)化為離散 Token。華為盤古多模態(tài)生成團隊首創(chuàng)不依賴空間先驗的視覺 Token 方案，通過與語言模態(tài)聯(lián)合訓(xùn)練構(gòu)建視覺 - 語言模型（VLM），在圖像生成、圖像編輯等任務(wù)中展現(xiàn)出卓越能力。其強化學(xué)習(xí)優(yōu)化后的生成性能已超越 AR 范式現(xiàn)有模型，開創(chuàng)了多模態(tài)自回歸訓(xùn)練的新范式。

為何選擇離散化視覺 token？當(dāng)前主流方案采用語言 dAR 與圖像連續(xù)自回歸模型（continuous AR, cAR）的混合架構(gòu)，認為連續(xù)表征能最小化圖像壓縮損失。但大量研究表明：離散表征同樣可保持高精度，而連續(xù)表征存在三重致命缺陷：其一，預(yù)測穩(wěn)定性差，cAR 采用均方誤差（MSE）訓(xùn)練的向量回歸器較 dAR 的交叉熵（XE）分類器更易出錯，這迫使多數(shù) cAR 放棄因果預(yù)測范式，轉(zhuǎn)向雙向建模，從根本上違背 decoder-only 架構(gòu)的自回歸設(shè)計哲學(xué)；其二，強化學(xué)習(xí)復(fù)雜度激增，連續(xù)狀態(tài) - 動作空間使馬爾可夫決策過程從有限轉(zhuǎn)為無限，策略優(yōu)化難度呈指數(shù)級上升；其三，解耦能力受限，連續(xù)表征在學(xué)習(xí)過程中會帶來模式坍縮 (視覺幻覺)，離散可以實現(xiàn)因子更好的解耦。

圖 1

為什么選擇摒棄空間先驗？早期 CV 研究將空間特征 Token 化視為自回歸建模標(biāo)配，但華為 AIGC Selftok 團隊指出：空間 Token 的因果依賴本質(zhì)與 AR 范式存在根本沖突。如下圖所示，碰撞效應(yīng)導(dǎo)致虛假依賴，編碼任一空間 Token 時引入與其他所有 Token 的貝葉斯偽相關(guān)，破壞 AR 所需的因果圖結(jié)構(gòu)；從而導(dǎo)致強化學(xué)習(xí)失序，非 AR 依賴使 Token 預(yù)測影響歷史狀態(tài)，無法滿足貝爾曼方程，導(dǎo)致策略優(yōu)化陷入局部最優(yōu)困境。實驗證明，非空間 Token 的 RL 效果上限顯著低于 AR Token。

基于此，Selftok 團隊提出 Self-consistency Tokenizer：通過擴散模型反向過程的 AR 特性編碼圖像生成軌跡，每個 Token 對應(yīng)擴散步驟的時間戳（如圖 3）。

圖 3

該方案實現(xiàn)三大突破：

1）AR 原生架構(gòu)（自回歸之本）：徹底摒棄空間先驗，保持重建精度同時提升圖文模態(tài)兼容性，為 dAR-VLM 預(yù)訓(xùn)練與 RL 微調(diào)奠定基礎(chǔ)；

2）擴散范式統(tǒng)一（擴散之法）：直接貫通擴散模型與自回歸架構(gòu)，無需額外模塊即可完成跨模態(tài)統(tǒng)一。自回歸等價于遞歸，可像歸并排序算法（下左圖）一樣分而治之。同理，將 x_0→x_1（下右圖）的路徑分解成兩部分，x_0→x_t 由擴散模型采樣得到，x_t→x_1 學(xué)習(xí) token；

圖 3.1

3）推理性能躍升（推理之用）：Selftok-Token 完美適配策略優(yōu)化，使 dAR-VLM 獲得類 LLM 的 RL 訓(xùn)練能力。實驗證明，無監(jiān)督的 Selftok-Zero 在 GenEval 和 DPG-Bench 榜單分別以 92% 和 85.57 分超越基于 Spatial token 的 AR 范式模型，驗證了 Selftok token 與 AR 范式的組合威力。

方法簡述

Tokenizer：Selftok tokenizer 主要由三部分構(gòu)成：encoder，quantizer 與 decoder。整體的結(jié)構(gòu)如圖 4 所示：

圖 4

Selftok 編碼器采用雙流架構(gòu)：圖像分支繼承 SD3 的 VAE 隱空間編碼，文本分支創(chuàng)新性替換為可學(xué)習(xí)連續(xù)向量組以捕捉擴散特征，通過動態(tài)掩碼機制提升計算效率。核心量化器通過 EMA 更新的 codebook 和獨創(chuàng)的 "code 偏移監(jiān)測 - 重激活" 機制，解決傳統(tǒng)訓(xùn)練不均衡問題，實現(xiàn)擴散過程與自回歸建模的統(tǒng)一。解碼器基于 SD3 權(quán)重改進，文本分支采用 codebook embedding 替代傳統(tǒng)輸入，并通過時序感知 token 分配策略（隨 timestep 縮減 token 數(shù)量）強化自回歸特性。為了進一步提升推理效率，渲染器通過引入 "畫布"token 消除 timestep 依賴，在昇騰 910B2 上實現(xiàn)單卡推理速度從 8.2 秒壓縮至 0.31 秒，同時完全保留重建質(zhì)量。生成路徑離散化技術(shù)將連續(xù)擴散轉(zhuǎn)化為 token 驅(qū)動確定性映射，奠定視覺自回歸建模新范式。

圖 6

Selftok 團隊通過可視化對比揭示了 token 表征的本質(zhì)差異：

1）漸進重建（左→右）：通過逐步掩碼輸入 token 序列測試重建能力。

VQGAN、FlowMo、VAR 因 token 與圖像塊強綁定，在短序列輸入時呈現(xiàn)塊狀偽影；而 Selftok 即使保留極少量 token 仍保持全局語義連貫。

2）Token 插值（左→右）：通過逐步替換左右圖像 token 實現(xiàn)插值。

傳統(tǒng)方法因空間局部性產(chǎn)生斷裂形變，Selftok 則實現(xiàn)平滑語義過渡，驗證了自回歸建模的理論優(yōu)勢。

Pretrain and SFT：在預(yù)訓(xùn)練階段，模型架構(gòu)基于 LLaMA-3-8B 進行擴展，在原有語言詞表的基礎(chǔ)上新增了 32,768 個圖像 token 的詞表。正如前文所述，Selftok dAR-VLM 可以完全復(fù)用現(xiàn)有的 LLM 訓(xùn)練范式與訓(xùn)練框架。具體實現(xiàn)上，該模型基于昇騰 MindSpeed 框架和昇騰 910B NPU 進行訓(xùn)練優(yōu)化，整個流程被設(shè)計為兩個關(guān)鍵階段：

1.多模態(tài)對齊：這個階段引入四種數(shù)據(jù)輸入格式（如圖 8 所示）來幫助模型實現(xiàn)模態(tài)的對齊，分別為 text-to-image, image-to-text, image-only 與 text-only，使得模型從 LLM 轉(zhuǎn)變?yōu)?VLM。

圖 8

2.多任務(wù)對齊：這個階段收集了高質(zhì)量的圖像與文本數(shù)據(jù)對模型在三類任務(wù)（如圖 8 所示）上進行監(jiān)督微調(diào)（sft）：text-to-image, image-editing 與 image-understanding，進一步提升模型的能力上限并擴展模型的能力邊界。此外針對 AR token 的特性，Selftok 團隊也設(shè)計了新的推理策略，會根據(jù)當(dāng)前圖像 token 的熵來確定是否進行 logit adjustment。新的推理策略也幫助模型進一步提升了圖像生成的效果。

公式 1

RL：Selftok 團隊首先證明了 AR tokens 能夠推導(dǎo)出貝爾曼方程，進而證明采用策略優(yōu)化的 RL 算法具有最優(yōu)解。在此理論基礎(chǔ)上，選擇使用 GRPO 算法對模型進行優(yōu)化。不同于數(shù)學(xué)問題或代碼生成這類能夠獲得精確 reward 的任務(wù)，文生圖任務(wù)難以精確的評估生成效果與指令遵循能力。為了解決這個問題，Selftok 團隊設(shè)計了兩類獎勵函數(shù)：基于程序與基于 VQA 任務(wù)?；诔绦虻莫剟詈瘮?shù)能夠有效的評估生成圖像中的物體屬性、空間關(guān)系、數(shù)量等是否與 prompt 相符合，團隊使用目標(biāo)檢測模型來檢測上述內(nèi)容，并提高目標(biāo)檢測的閾值，在提升圖文一致性的同時顯著的提升了圖像內(nèi)容的合理性與美感；基于 VQA 任務(wù)的獎勵函數(shù)面向更加通用的場景，首先 prompt 會被分解為多個問題，隨后使用 Internvl 與 GPT-4o 來回答這些問題，并計算出最終的 reward。

實驗結(jié)果顯示基于程序的獎勵函數(shù)能夠更加有效的提升模型的表現(xiàn)，在 GenEval Bench 上 Selftok-Zero 顯著的優(yōu)于包括 GPT-4o 在內(nèi)的其他所有模型。

結(jié)果

Tokenizer 結(jié)果：Selftok tokenizer 在 ImageNet 上的多個重建指標(biāo)都達到了 sota，相比于其他的 tokenizer，Selftok tokenizer 對細節(jié)的重建效果更好，也更加貼近原始圖片，量化結(jié)果如表 1 所示。

表 1

文生圖結(jié)果：華為盤古多模態(tài)生成團隊在 GenEval 與 DPG 兩個 benchmark 上評測文生圖的的表現(xiàn)。其中在 GenEval Benchmark 上，基于 Selftok-sft 模型 RL 后的 sefltok-zero 大幅領(lǐng)先包括 GPT-4o 在內(nèi)的所有模型，達到 92 的分數(shù)。相比與 sft 模型，經(jīng)過 RL 后的模型在多個子任務(wù)上都達到 SOTA，且大幅領(lǐng)先其他模型。如表 2 所示：

表 2

在 DPG Benchmark 上，Selftok-zero 僅次于 HiDream-I1，并在多個子項上達到 sota。相比于 Selftok-sft，Selftok-zero 的表現(xiàn)全面提升，進一步證明了 Selftok token 在 RL 算法上的有效性。結(jié)果如表 3 所示：

表 3

可視化結(jié)果如圖 9 所示：

圖 9

圖像編輯結(jié)果：Selftok 團隊還在 PIE-Bench 上檢測了模型的圖像編輯能力，結(jié)果顯示 Selftok 模型的編輯效果在編輯模型中也處于領(lǐng)先地位，量化指標(biāo)如表 4 所示，編輯過程可視化結(jié)果如圖 10。

表 4

圖 10

在多輪編輯任務(wù)中，Selftok 展示了精確的理解能力與非編輯區(qū)域的保持能力，編輯指令的遵循能力能夠與 GPT-4o，Gemini-2.0 等匹配，如圖 11 所示：