上海人工智能實(shí)驗(yàn)室等團(tuán)隊(duì)提出Lumina-mGPT 2.0 —— 一款獨(dú)立的、僅使用解碼器的自回歸模型，統(tǒng)一了包括文生圖、圖像對(duì)生成、主體驅(qū)動(dòng)生成、多輪圖像編輯、可控生成和密集預(yù)測(cè)在內(nèi)的廣泛任務(wù)。

本文第一作者辛毅為南京大學(xué) & 上海創(chuàng)智學(xué)院博士生，現(xiàn)于上海人工智能實(shí)驗(yàn)室實(shí)習(xí)，研究方向?yàn)閳D像 / 視頻生成、多模態(tài)生成與理解統(tǒng)一等。通訊作者為上海人工智能實(shí)驗(yàn)室青年科學(xué)家 — 高鵬。本文其他作者來(lái)自上海人工智能實(shí)驗(yàn)室、香港中文大學(xué)、上海交通大學(xué)、上海創(chuàng)智學(xué)院、浙江工業(yè)大學(xué)等。

• 論文標(biāo)題：Lumina-mGPT 2.0: Stand-Alone AutoRegressive Image Modeling
• 論文鏈接：arxiv.org/pdf/2507.17801
• GitHub 地址：Alpha-VLLM/Lumina-mGPT-2.0
• 關(guān)鍵詞：圖像生成、自回歸模型、基座模型。
• 
  

核心技術(shù)與突破

完全獨(dú)立的訓(xùn)練架構(gòu)

不同于依賴(lài)預(yù)訓(xùn)練權(quán)重的傳統(tǒng)方案，Lumina-mGPT 2.0 采用純解碼器 Transformer 架構(gòu)，從參數(shù)初始化開(kāi)始完全獨(dú)立訓(xùn)練。這帶來(lái)三大優(yōu)勢(shì)：架構(gòu)設(shè)計(jì)不受限制（提供了 20 億和 70 億參數(shù)兩個(gè)版本）、規(guī)避授權(quán)限制（如Chameleon的版權(quán)問(wèn)題）、減少預(yù)訓(xùn)練模型帶來(lái)的固有偏差。

圖像分詞器方面，通過(guò)對(duì)比 VQGAN、ViT-VQGAN 等多種方案，最終選擇在 MS-COCO 數(shù)據(jù)集上重建質(zhì)量最優(yōu)的 SBER-MoVQGAN，為高質(zhì)量生成奠定基礎(chǔ)。

統(tǒng)一多任務(wù)處理框架

創(chuàng)新地采用統(tǒng)一的圖像分詞方案，將圖生圖任務(wù)通過(guò)上下拼接視為一張圖像，并通過(guò)提示描述進(jìn)行控制，實(shí)現(xiàn)多任務(wù)訓(xùn)練與文生圖訓(xùn)練的一致性。使得單一模型能夠無(wú)縫支持以下任務(wù)：

• 文生圖
• 主體驅(qū)動(dòng)生成
• 圖像編輯
• 可控生成（如基于輪廓 / 深度的生成）
• 密集預(yù)測(cè)
• 
  

這種設(shè)計(jì)避免了傳統(tǒng)模型需切換不同框架的繁瑣，通過(guò)系統(tǒng)提示詞即可靈活控制任務(wù)類(lèi)型。

高效的推理策略

為了解決自回歸模型生成速度慢的痛點(diǎn)，團(tuán)隊(duì)引入兩種優(yōu)化：

• 模型量化：將模型權(quán)重量化為 4 位整數(shù)，同時(shí)保持激活張量為 bfloat16，通過(guò) PyTorch 2.0 中的原生編譯工具和 torch.compile 的 reduce-overhead 模式實(shí)現(xiàn)無(wú)需改變模型架構(gòu)的優(yōu)化。
• 
  
• 推測(cè)式 Jacobi 采樣：通過(guò)靜態(tài) KV 緩存和靜態(tài)因果注意掩碼的方案，使 SJD 兼容于靜態(tài)編譯框架，從而實(shí)現(xiàn)加速采樣，同時(shí)避免動(dòng)態(tài)調(diào)整緩存。結(jié)合 4 位量化技術(shù)，減少 60% GPU 顯存消耗，同時(shí)通過(guò)并行解碼加速生成。

實(shí)驗(yàn)顯示，優(yōu)化后模型在保持質(zhì)量的前提下，生成效率顯著提升。

實(shí)驗(yàn)結(jié)果

文生圖實(shí)驗(yàn)結(jié)果

在文本到圖像生成領(lǐng)域，Lumina-mGPT 2.0 在多個(gè)基準(zhǔn)測(cè)試中表現(xiàn)優(yōu)異，與 SANA 和Janus Pro等擴(kuò)散模型和自回歸模型相當(dāng)甚至超越，特別是在 “兩個(gè)物體” 和 “顏色屬性” 測(cè)試中表現(xiàn)卓越，以 0.80 的GenEval 分?jǐn)?shù)躋身頂級(jí)生成模型之列。

此外，在實(shí)際生成效果上，Lumina-mGPT 2.0 在真實(shí)感、細(xì)節(jié)和連貫性方面優(yōu)于前代 Lumina-mGPT 和 Janus Pro，更具視覺(jué)吸引力和自然美感。

多任務(wù)實(shí)驗(yàn)結(jié)果

在 Graph200K 多任務(wù)基準(zhǔn)中（可控生成、物體驅(qū)動(dòng)生成），Lumina-mGPT 2.0 表現(xiàn)優(yōu)異，證明了純自回歸模型在單一框架下完成多模態(tài)生成任務(wù)的可能性。

此外，團(tuán)隊(duì)與其他的多任務(wù)生成模型進(jìn)行了實(shí)際比較，Lumina-mGPT 2.0 在可控生成和主題驅(qū)動(dòng)生成任務(wù)中表現(xiàn)突出，與 Lumina-mGPT、OneDiffusion和 OmniGen 等模型相比，展示了卓越的生成能力和靈活性。

未來(lái)方向

Lumina-mGPT 2.0 在優(yōu)化推理后，仍面臨采樣時(shí)間長(zhǎng)的問(wèn)題，與其他基于自回歸的生成模型相似，這影響了用戶(hù)體驗(yàn)，后續(xù)將進(jìn)一步優(yōu)化。當(dāng)前 Lumina-mGPT 2.0 的重點(diǎn)在多模態(tài)生成， 但計(jì)劃更新擴(kuò)展至多模態(tài)理解，以提高其整體功能和性能，這將使 Lumina-mGPT 2.0 在滿(mǎn)足用戶(hù)需求方面更加全面。