就在刚刚，港中文的一位博士生Jie Liu破解了GPT-4o不一般的前端生图秘密：实际上，它很大可能是原生自回归（AR）生成的，甚至我们可以手动改图。 无独有偶，CMU博士Sangyun Lee也推测出，GPT-4o的图像生成原理，应该大致如下： ...

构建图文领域首个细粒度大一统基座 TokenFD：仅需通过简单的一层语言编码，依托亿级的 BPE-Mask 对打造出细粒度基座 TokenFD。真正实现了图像 Token 与语言 Token 在同一特征空间中的共享，从而支持 Token 级的图文交互和各种下游任务。

说实话，目前OpenAI并未公布GPT-4o的生图技术细节，只提到采用的是自回归方法，类似语言模型。也就是说，4o与DALL-E的扩散模型不同，它使用自回归模型逐步生成图像，根据先前的像素或补丁预测下一个像素或补丁。这就能让它更好地遵循指令，甚至进行逼真的照片编辑。

30000个tokens每秒，太炸裂了！ 刚刚，英伟达在2025GTC大会上宣布了创世界纪录的满血 DeepSeek-R1 推理性能。 DGX系统搭载八颗NVIDIA Blackwell GPU，在DeepSeek-R1模型（6710亿参数）推理任务中创下了世界纪录↓ 单用户推理速度超过每秒250个token，峰值吞吐量超过每秒30000个token。 这一突破性的性能提升，得益于针对NVIDIA ...

写完后，把提示词分别给了GPT和即梦AI。不到20秒，GPT出图了，它和即梦AI的图对比来说，每个模型对提示词的理解不同，两张图都有赛博朋克的感觉，但细节上各有特点。

V²Flow团队 发自 凹非寺量子位 | 公众号 QbitAI 视觉Token可以与LLMs词表无缝对齐了！ V²Flow，基于LLMs可以实现高保真自回归图像生成。 随着ChatGPT掀起自回归建模革命后，近年来研究者们开始探索自回归建模在视觉生成任务的应用，将视觉和文本数据统一在“next-token prediction”框架下。 实现自回归图像生成的关键是设计向量化(Vector-Quan ...

无独有偶，CMU的博士Sangyun Lee也对GPT-4o的图像生成原理提出了自己的见解。他认为，GPT-4o首先生成视觉token，然后通过一种类似于Rolling ...

由此可见，依赖长上下文信息的关键 token 在评估模型的长文本能力时更加重要。 图 2（a）LongEval 任务示意图 （b）(c) LongEval 的答案 / 非答案部分的 ...

北京时间 3 月 26 日凌晨，谷歌发布了号称最强推理模型的 Gemini Pro 2.5，而在谷歌之前，OpenAI 率先开了场直播，发布了 GPT-4o image ...

GTC大会素有“AI届春晚”的外号，而在当地时间3月18日举行的GTC ...

GLM-4-Voice-9B：在 GLM-4-9B 的基础上进行语音模态的预训练和对齐，从而能够理解和生成离散化的语音 token。 图｜GLM-4-Voice-Tokenizer 和 GLM-4-Voice-Decoder 的 ...