📖 AI 总结

STARFlow2提出了一种统一多模态生成模型，旨在解决现有方法在文本-图像交错生成中的结构碎片化问题。文章指出，自回归归一化流与自回归Transformer在因果掩码、KV缓存和从左到右结构上本质相同，因此成为实现连续、单遍、纯因果多模态生成的理想范式。该模型基于Pretzel架构，通过残差跳跃连接垂直交错冻结的预训练视觉-语言模型（VLM）流与TARFlow流，共享同一因果掩码，从而保留预训练理解能力，同时实现高保真连续图像生成。结合深-浅流设计和统一FAE潜在空间，STARFlow2支持缓存友好的交错生成，文本和视觉输出直接进入KV缓存，无需重新编码。实验表明，该模型在图像生成和多模态理解基准上表现优异，验证了自回归流作为统一多模态建模基础的可行性。