Hugging Face Daily Papers 于 2026 年 11 月 18 日收录论文《Jeveration: System One Models Now Generate》。System One 模型(如 Jev)通过快速、并行预测返回决策。Jeveration 表明,同一套决策范式也可以在一次前向中生成高质量图像。方法建立在冻结的视觉语言模型上,把已有视觉—语义知识改用于整体出图。核心难点是全局一致性:同一提示对应许多张都合理的图像,并行预测必须收敛成一张内部自洽的整图。
共享随机态如何协调并行预测
作者让所有位置条件于同一个共享随机状态,用来协调并行预测,使每一次抽样得到不同、但各自连贯的图像。直接做图像监督时,模型往往会忽略这个状态。因此先学习离散图像码上的分布,再用该分布引导单次前向生成。材料未说明码本规模和训练损失,只能确认离散码是为了让共享状态真正参与生成,而不是被丢掉的噪声。
文生图、图生图与密集预测共用检查点
除文生图外,同一架构还统一图生图和密集预测。一个检查点支持三项任务,且每项都只需一次前向。实验给出:生成 512×512 图像耗时 78 毫秒,相对现有统一模型最高可快 122 倍;图像质量与密集预测表现保持有竞争力。摘要未列出对照模型、数据集和具体分数,速度数字可以记下,「有竞争力」应按作者表述理解,不宜外推。
我的判断
Jeveration 的价值,是把并行决策从快速给结论推到一次出整图,并用共享随机态处理多解问题。对延迟敏感的统一视觉系统,78 毫秒出 512 图、三任务一个检查点,是明确信号。局限也清楚:生成依附冻结视觉语言模型,质量上限受其视觉语义约束;共享状态在直接监督下会被忽略,离散码是必要补丁。材料没有多样性、失败模式和对照清单,无法核对 122 倍是否公平。更适合当作单次前向生成的路线信号,尚不足以支持替换现有出图或密集预测管线。