Команда DAGroup Пекинского университета вместе с Meituan Longcat, SJTU и соавторами выпустила G-STAR (arXiv:2611.13004) — открытый фреймворк авторегрессионной генерации изображений на глубоко сжатых дискретных токенах. Изображение 1024x1024 генерируется за 2,5 секунды на одной NVIDIA H200, что примерно в 20 раз быстрее прежних дискретных авторегрессионных моделей. Веса двух моделей и код инференса уже выложены на Hugging Face.

image
image

Что произошло

8 ноября 2026 года на arXiv опубликована статья G-STAR (arXiv:2611.13004), в которой группа DAGroup Пекинского университета, Meituan Longcat, SJTU и соавторы описывают подход group-scaled token capacity для авторегрессионной генерации изображений. Заявленная скорость — 1024x1024 за 2,5 секунды на одной NVIDIA H200: в 21,57 раза быстрее Janus-Pro-7B и в 8,36 раза быстрее Emu3.5-34B. Выпущены две модели: G-STAR-Pro-8B с 32-кратным сжатием (GenEval 0.84, DPG-Bench 83.38) и G-STAR-Flash-1.7B с эффективным 64-кратным сжатием (GenEval 0.76, DPG-Bench 80.18). В редактировании по инструкции Pro-8B набирает 7.45 на GEdit-Bench — почти вровень с GPT-Image-1 (7.53) и Qwen-Image-Edit (7.56). Веса обеих моделей, tokenizer, SR2x-рефайнер и код инференса опубликованы в репозитории DAGroup-PKU/G-star на Hugging Face.

Контекст

Дискретные авторегрессионные генераторы рисуют изображение как последовательность кодов из токенизатора, и раньше глубина пространственного сжатия упиралась в ёмкость отдельного токена: сильное сжатие разрушало мелкие детали, а слабое оставляло слишком длинную последовательность, которую нельзя быстро сгенерировать токен за токеном. Поэтому прежние дискретные авторегрессионные модели вроде Janus-Pro и Emu3.5 тратили на кадр 1024x1024 десятки секунд. G-STAR меняет постановку задачи: бит-бюджет на позицию фиксируется, а число кодов в группе G растёт квадратично со степенью пространственного сжатия alpha, так что 32-кратное сжатие и эффективные 64x за счёт безпотерьной упаковки блоков 2x2 не обязаны разрушать детали — это проверяемая гипотеза, а не лозунг. Параллелизм даёт полуавторегрессионный декодер, который считает признаки всех слотов группы одновременно, а согласованность кодов поддерживает один каузальный слой с KV-кэшем — компромисс между параллелизмом диффузии и каузальностью авторегрессии, инженерно простая конструкция.

Почему это важно для индустрии

Заявленная скорость впервые, по оценке источников, выводит дискретную авторегрессию в диапазон, пригодный для интерактивного продакшена, и делает её сопоставимой с диффузионными пайплайнами, а это прямое снижение стоимости инференса визуальной генерации. Открытые веса Pro-8B и Flash-1.7B позволяют воспроизводить результат локально и строить продукты без зависимости от платного API, а Flash-1.7B по размеру подходит как он-премис база для дешёвого edge- и он-device-рендера. Если независимые воспроизведения подтвердят цифры, стоит ожидать волну follow-up-работ: перенос подхода на видео и unified any-to-any модели, файнтюны и LoRA на открытых весах, первые сторонние сравнения с современными диффузионными бейзлайнами на реальном трафике, а также продуктовые обёртки для батч-генерации карточек товаров, баннеров и A/B-вариантов одной композиции. В более длинном горизонте направление ведёт к единым мультимодальным пайплайнам, где изображение и видео — просто последовательности дискретных токенов наравне с текстом, с прогнозируемым снижением стоимости такой генерации.

Почему это важно для пользователей

Обе модели можно скачать из репозитория DAGroup-PKU/G-star на Hugging Face и запустить по инструкции из README на одной видеокарте H100 или H200. Генерация выдаёт изображение 1024x1024, которое SR2x-рефайнер апскейлит до 2048x2048. Pro-8B умеет править имеющуюся картинку по текстовому промпту: менять стиль и надписи, сохраняя композицию, а читаемость текста и качество лиц в кадре выдерживают даже 64-кратное сжатие. Публичный API или хостинг не анонсированы, поэтому входной порог для практических экспериментов — собственный или арендованный инференс, то есть реалистичный минимум для прототипа или внутреннего POC на своих кейсах (лица, надписи, UI-графика) — одна карта.

Что пока неизвестно / ограничения

Все метрики качества, включая GenEval, DPG-Bench и GEdit-Bench, авторские и пока не подтверждены независимой проверкой сообщества. Скоростное сравнение сделано к прежним дискретным авторегрессионным моделям, а не к современным диффузионным системам, поэтому «примерно в 20 раз быстрее» корректно относительно данного класса бейзлайнов, а не в абсолютном смысле. Утверждение, что разрыв 7.45 против 7.53 и 7.56 на GEdit-Bench лежит в пределах статистической погрешности, из приведённых данных не следует: в них нет дисперсий, доверительных интервалов и числа сэмплов. Заявления о первенстве в классе даны по материалам авторов и требуют аккуратной проверки. Сценарии переноса подхода на видео, edge-рендер и появление продуктовых обёрток — интерпретации, справедливые при условии, что цифры воспроизводятся.

Источники

Автор

Look at AI, редакция