Jeveration: Frozen VLM Generates 512px Images in One Forward Pass, 78ms
新加坡国立大学团队发布论文《Jeveration: System One Models Now Generate》,把认知科学中「System One」式快速并行决策的思路引入图像生成:不依赖扩散模型的迭代去噪,也不做自回归逐token解码,而是复用一个冻结视觉-语言模型(VLM)已有的视觉语义知识,在单次前向传播中一次性并行生成128个离散图像token(双向注意力、块级解码),直接输出整张图像。
已确认
- 生成速度:512×512图像在单张H200 GPU上仅需78ms,相比基线快122倍(@akhaliq、@multimodalart 均转述此数据)
- 评测表现:Geneval 达 0.74;模型用四张96GB GPU训练(@auselis 转评信息)
- 方法定位:与Janus-Pro类似采用离散token生成,但用块级并行解码而非逐token自回归
- 除文生图外,论文还展示了图到图转换与密集预测任务
为什么重要
- @akhaliq 指出该方法的核心难题是全局一致性:同一prompt对应多张有效图像,如何在单次并行生成中保证整图连贯,是区别于传统逐步生成范式的关键挑战
- Reddit用户 @Crazy-Repeat-2006 认为,这证明了「System One」模型不仅擅长理解,也能胜任生成任务,为高效、低延迟图像生成提供了新路径
2026-11-19 ~ 2026-11-20 · 5 related posts
Primary sources
- NUS's Jeveration turns a frozen vision-language model into a single-pass image generator — NUS-DSA3101 · 2026-11-19
- [source] Jeveration generates 512px images in 78ms in one forward pass, 122x faster than Janus-Pro — _akhaliq · 2026-11-19
- NUS Jeveration generates 512px images in one forward pass, 78ms on H200, 122x faster — multimodalart · 2026-11-19
- Parallel image generation in one pass: 0.74 Geneval from just 400 GPU-hours on four 96GB GPUs — _akhaliq · 2026-11-20
1 near-duplicate retellings: Crazy-Repeat-2006