**G-STAR：通过组缩放令牌容量实现深度压缩的自回归生成**

_G-STAR: Group-Scaled Token Capacity for Deeply Compressed Autoregressive Generation_

> 针对离散自回归图像生成模型在序列长度与压缩率间的权衡，G-STAR 提出了一种空间 - 组协同缩放框架。该框架基于乘积量化原理，使组规模随空间压缩因子呈二次方增长，从而在固定信息预算下实现 32 倍甚至 64 倍的有效压缩，同时保持高质量的生成与理解能力。通过引入结合并行特征计算与轻量因果建模的半自回归解码器，该模型在 1024x1024 分辨率下，相比现有模型速度提升 20 倍，单张图像生成仅需 2.5 秒，在多项基准测试中表现优异。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-13 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.13004)