标签：图像生成

不靠语言预训练也能文生图？Halcyon 论文称算力省 275 倍

alphaXiv 上一项名为 Halcyon 的论文提出，完全跳过互联网规模的语言预训练，直接用图文对从零训练文生图模型，1.6B 版本在论文自设评测中超过更大的基线，且总预训练算力约为后者的 1/275。目前这是论文结果，还不是已上线产品。

arXiv 上一篇新论文提出“条件无毛定理”，指出自回归 Transformer 在生成文本时，对原始提示词（prompt）的记忆会随生成长度按幂律衰减；这意味着提示词的影响会逐渐消失，后续输出更多依赖已生成的文本本身。

arXiv 上一项新研究测试了 LLM 智能体在程序化汉字书写任务中能否借“持久记忆”提升表现，结果显示记忆积累带来小幅增益，但记忆的设计方式会影响经验在何时、何处变得有用。

arXiv 上一项新研究把文生图评测改写为“约束满足”问题，提出逻辑形式化框架与 LogicVal 方法，并报告现有模型在复杂多物体条件约束下明显失准。

arXiv 2026 年 10 月 20 日发布的一篇论文提出一种超出文本提示的人机共创范式：先让模型扩大探索范围，再从创作者的选择中学习审美偏好，把"说不清的艺术意图"逐步显性化并反馈进生成过程。

一篇2026年10月20日发布在arXiv cs.AI的立场论文提出，AI安全讨论不应只盯着核冲突、生物灾难等极端事件，还要关注日常反复使用中慢慢累积的风险；作者以社交媒体为类比，呼吁把评估重点放到长期使用轨迹上。

视觉 tokenizer 研究提出 RoAR-VAE，通过“稳健预测”原则让扩散模型更容易学习潜变量，在相同训练预算下生成基准平均提升 2.19 分，小文本重建精度较 FLUX.1-VAE 提升 16.93 个百分点。

论文提出 Consistent Distribution Matching，一种无需蒸馏数据集、也无需教师模型反复采样的扩散与流模型蒸馏方法，在学生模型只做单次函数评估时，于 ImageNet 256×256 上取得 FID 2.04，目标是解决扩散模型推理慢的老问题。

Hugging Face Papers 收录的论文 OmniXRef 提出一个统一框架，允许用户混合使用文本、图像和视频参考来控制源视频的不同属性，并配套发布视频参考评测基准 OmniXRef-Bench。

论文提出 LILIE——一种可逆图像变换，让视觉语言模型能从加噪特征中还原字幕，并以此构建语言感知损失训练文生图模型。在 GPIC 数据集测试中，该损失比纯像素损失降低了 14 点 gFD，说明语言监督可为像素空间生成提供更丰富的训练信号。