鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI ber！这个五一假期，我也是真够忙的： 自拍、电影、追剧、街头采访、听音乐会，还抽空回老家结了次婚…… （咳咳） 不卖关子了，其实以上这些，通通都是AI生成。 但u1s1，就这逼真的眼神和动作，也太对味了！ 它们都出自 字节商业化技术团队 研发的新一代视觉生成模型，更妙的是—— 它的底层架构，不是主流的扩散模型，也并非近来大火的自回归模型，而是 全新的第三条路 。 这篇研究论文，提出了另一种AI视觉生成构想： 让AI像人类一样画画，不仅可以边画边改，还能复杂多画、简单少画。也就是 生成精炼网络GRN （Generative Refinement Networks） 简单来说，如果把AI视觉生成比作在白纸上作画，那么现有的扩散和自回归模型各有各的优缺点。 先说扩散模型，作为目前最常用的视觉生成架构，还是有两把刷子的，其所生成的视频几乎能够以假乱真。 但实则它的绘画过程还像个笨拙的学生，无论是画简单的一颗苹果，还是复杂的巴洛克壁画，都必须老老实实一笔一笔画，所以即使是复杂度 天差地别的画作，也要花费相同的时间步数。 。 自回归模型这边，虽然天生具备画面复杂度感 ...