背景：自回歸圖像生成的崛起與推理瓶頸

大語言模型的成功讓 "next-token prediction" 這套范式從文本延伸到了圖像領域。把圖像用視覺分詞器編碼成離散 token，用數預訓再一個接一個的練好投票拉票價格預測出來 —— 這就是自回歸（AR）圖像生成的核心思路。從早期的回歸 PixelCNN、iGPT、圖像Parti，模型到近期的飛起 Emu3.5、LlamaGen、僅據讓Lumina-mGPT、用數預訓GLM-Image，練好AR 模型的回歸生成質量已經全面逼近甚至超過了擴散模型。

但 AR 模型有個繞不開的圖像問題：慢。標準的模型 raster-scan 解碼從左到右、從上到下，飛起投票拉票價格一步只出一個 token。僅據讓生成一張 512×512 的圖要走 32×32 = 1024 步串行前向傳播，單卡耗時超過兩分鐘。延遲隨分辨率線性增長，GPU 的并行算力也用不起來 —— 高分辨率和實時場景下，基本沒法實際部署。

現有加速方案

為了突破這一瓶頸，研究者們已經探索了多種加速策略，但都面臨不同的局限：

• 重新設計生成范式：例如如 VAR 的 "下一尺度預測"、NAR 的 "近鄰預測"、PAR 的分組并行解碼，雖然能大幅降低解碼步數，但這些方法需要從頭預訓練，無法復用已有的大規模預訓練 AR 模型，訓練成本高昂。
• 離散擴散適配：例如 Emu3.5 原文采用的 DiDA，他們通過后訓練將 AR 模型改造為支持并行解碼的離散擴散模型。但這種方法改變了原始的預測目標，引入了預訓練和推理之間的不一致性，往往導致生成質量顯著下降，在我們的復現實驗中，相同數據量，Emu3.5 在 block diffusion 后訓練過程中，geneval 分數會在總體會有一個比較大的 drop
• 推測解碼：作為一種無需訓練的加速插件，實際加速效果受限于草稿模型的接受率，提升效果相對比較有限。

這就引出了一個關鍵的開放性問題：能否在不從頭訓練、不改變原始預測目標的前提下，將已有的預訓練 AR 模型改造成高度并行的生成器，同時繼承其強大的生成能力？

來自浙江大學和阿德萊德大學的研究團隊提出了FlashAR—— 一個輕量級的后訓練加速框架。不需要從頭訓練，在 Emu3.5-Image-34B 模型上，僅用原始訓練數據的 0.05%（約 8 萬張圖片），就能將預訓練好的自回歸模型改造成高度并行的生成器 Emu3.5-34B-Flash，實現最高22.9 倍的端到端加速。

• 論文標題：FlashAR: Efficient Post-Training Acceleration for Autoregressive Image Generation
• 論文主頁：https://lxazjk.github.io/FlashAR/
• 論文鏈接：https://arxiv.org/abs/2605.09430
• 代碼鏈接：https://github.com/lxazjk/Emu3.5-FlashAR

核心思路：從 "逐個生成" 到 "對角線并行"

傳統的自回歸圖像生成模型遵循嚴格的光柵掃描順序 —— 從左到右、從上到下，每一步只預測水平方向的下一個 token。對于一張由 H×W 個 token 構成的圖像，需要 H×W 步才能完成生成。

FlashAR 的關鍵洞察在于：圖像天然具有 2D 結構，如果我們為模型新增垂直方向的下一個 token 的預測能力，在每個步驟中，水平解碼頭和垂直解碼頭并行工作，解碼步數從 H×W 驟降至 H+W-1。以 512×512 分辨率（16×16 下采樣倍率）為例，解碼步數從 1024 步直接降到 63 步。

但要讓一個已經訓練好的 "水平方向" 預測模型具備 "垂直方向" 預測能力，并不容易。FlashAR 為此設計了三個關鍵組件：

1. 中間層分支（Intermediate Branching）

FlashAR 沒有把輕量級的 Vertical Head 接在預訓練模型的最終層，而是從中間層分出一條支路，讓它和原有的水平預測頭并行工作。

為什么不直接用最終層？因為經過完整訓練后，最終層特征已經更偏向原本的水平方向光柵預測任務，針對這個目標做了充分適配，但也因此不一定適合再拿來做垂直方向預測。相比之下，中間層往往還保留著更豐富的二維空間信息，用來適配新的預測方向會更自然。

這樣的設計還有一個額外好處：從中間層分支之后，Vertical Head 可以和原有分支并行執行，從而為整體吞吐帶來提升。

我們也在消融實驗里驗證了這一點。具體來說，我們用 linear probing 系統評估了預訓練模型不同層的特征，結果發現，最終層特征并不是最適合做垂直預測的。這也進一步支持了我們從中間層引出 Vertical Head 的設計。

2. 可學習融合門（Learnable Fusion Gate）

水平和垂直方向的預測分別建模了互補的空間依賴，其貢獻在不同空間位置上并不一致?；谶@一觀察，FlashAR 引入了一個輕量級的 MLP 融合門，在逐位置的粒度上自適應地融合兩個方向的預測結果，以避免簡單平均所導致的預測模糊。

3. 兩階段適配訓練（Two-Stage Adaptation）

具體而言，訓練過程分為兩個階段：

• 在第一階段，凍結骨干網絡，僅優化垂直預測頭，以使其快速學習到有意義的預測能力；
• 在第二階段，進一步聯合微調垂直預測頭和骨干網絡，使模型更好地適配新的解碼范式。這樣的漸進式訓練策略提升了后訓練過程的穩定性，并提高了數據利用效率。

在推理階段，FlashAR 還部署了硬件感知的推理優化管線：利用 FlexAttention 動態編譯稀疏的二維近鄰注意力掩碼，配合批量化 KV 緩存更新，將理論上的并行性切實轉化為真實的加速效果。

實驗結果

Emu3.5-Image-34B 加速

將 FlashAR 擴展到 340 億參數的 Emu3.5 模型上，是對框架能力的嚴格考驗：

用0.05%的原始訓練數據（80M token，約 8 萬張圖片），FlashAR 將 512×512 圖像生成速度從 130.10 秒壓縮到 5.68 秒，實現22.9 倍加速。更關鍵的是，加速幾乎不損失質量。在 GenEval 基準上，FlashAR 的 GenEval 總分僅下降 0.19 分（80.48→80.29），在顏色（+1.59）和位置（+7.00）兩個子項上甚至超過了原始模型。相比之下，BlockDiffusion 在相同設置下性能大幅下降至 73.83。

ImageNet 類別條件生成

在 ImageNet 256×256 基準上，FlashAR 在四個模型規模（B/L/XL/XXL）上全面超越現有后訓練方法 BlockDiffusion。

值得注意的是：

• FlashAR-L 的 IS（289.0）甚至超過了從頭訓練的 NAR-L（263.9），而 FlashAR 僅需輕量級后訓練；
• FlashAR-B 達到 447.2 img/s 的吞吐量，超過了 NAR-B（419.7 img/s）；
• FlashAR 僅需25 個 epoch的后訓練 —— 只有 BlockDiffusion 訓練量的三分之一。

為什么 FlashAR 如此高效？

我們總結了 FlashAR 的核心優勢

• 無需從頭訓練：直接復用現有預訓練 AR 模型，通過輕量后訓練實現加速；
• 數據極致高效：僅需 0.05% 的原始訓練數據；
• 性能保持優異：生成質量幾乎無損，部分指標甚至提升；
• 框架通用性強：在 LlamaGen（120M~1.4B）和 Emu3.5（34B）上均驗證有效；
• 實際加速顯著：最高 22.9 倍端到端加速。

FlashAR 證明了一個重要觀點：通過精心設計的后訓練適配，可以在幾乎不改變原始模型訓練目標的前提下，將自回歸模型改造成高度并行的生成器，完整繼承預訓練模型的強大能力。