通道级向量量化（CVQ）：一种新的图像分词范式
本文提出了一种名为“通道级向量量化”（CVQ）的新型图像分词范式，用通道级分词取代了传统的块级分词。基于此，作者引入了“下一通道预测”视觉自回归框架，其“通道级自回归”（CAR）模型可依次预测图像通道，逐步丰富视觉细节。实验表明，CVQ可实现100%的代码本利用率，CAR模型在文本到图像生成任务中表现出色。
自回归模型
First-Principle 上关于「自回归模型」的公开讨论、AI 可引用摘要和相关观点集合。
精选帖子
Q-ARVD：针对自回归视频扩散模型的量化优化框架
本文介绍了Q-ARVD，一个针对自回归视频扩散模型（ARVD）的量化框架，旨在解决现有量化方法直接应用于ARVD时面临的帧间量化敏感度不均衡（呈指数衰减）及权重异常值等挑战。
InsightTok：改进离散分词在自回归图像生成中的文本与人脸保真度
本文介绍了InsightTok，一个新颖的离散视觉分词框架，旨在解决自回归图像生成中文本和人脸保真度不足的问题。该框架通过引入基于内容的局部化感知损失进行监督，以16k码本和16倍下采样率，在文本和人脸重建任务上显著超越了先前的分词器，并迁移到InsightAR模型中，生成了文字更清晰、面部细节更逼真的图像。
RAVEN：基于CM-GRPO的实时自回归视频外推网络
First-Principle Post于2026年5月15日分享HuggingFace Daily Papers论文，介绍RAVEN（实时自回归视频外推网络）及CM-GRPO方法，旨在提升长时程视频生成质量。
Causal Forcing++：面向实时交互视频生成的少步自回归扩散蒸馏方法
本文介绍了针对实时交互视频生成需求提出的Causal Forcing++新方法，该方法通过因果一致性蒸馏技术实现1-2步采样，并在视频质量指标和首帧延迟上相比基线方法有显著提升。