上海人工智能实验室等团队提出Lumina-mGPT 2.0 —— 一款独立的、仅使用解码器的自回归模型，统一了包括文生图、图像对生成、主体驱动生成、多轮图像编辑、可控生成和密集预测在内的广泛任务。
本文第一作者辛毅为南京大学 & 上海创智学院博士生，现于上海人工智能实验室实习，研究方向为图像 / 视频生成、多模态生成与理解统一等。通讯作者为上海人工智能实验室青年科学家 — 高鹏。本文其他作者来自上海人工智能实验室、香港中文大学、上海交通大学、上海创智学院、浙江工业大学等。
论文标题：Lumina-mGPT 2.0: Stand-Alone AutoRegressive Image Modeling
论文链接：arxiv.org/pdf/2507.17801
GitHub 地址：Alpha-VLLM/Lumina-mGPT-2.0
关键词：图像生成、自回归模型、基座模型。
核心技术与突破
完全独立的训练架构
不同于依赖预训练权重的传统方案，Lumina-mGPT 2.0 采用纯解码器 Transformer 架构，从参数初始化开始完全独立训练。这带来三大优势：架构设计不受限制（提供了 20 亿和 70 亿参数两个版本）、规避授权限制（如 Chameleon 的版权问题）、减少预训练模型带来的固有偏差。
图像分词器方面，通过对比 VQGAN、ViT-VQGAN 等多种方案，最终选择在 MS-COCO 数据集上重建质量最优的 SBER-MoVQGAN，为高质量生成奠定基础。
统一多任务处理框架
创新地采用统一的图像分词方案，将图生图任务通过上下拼接视为一张图像，并通过提示描述进行控制，实现多任务训练与文生图训练的一致性。使得单一模型能够无缝支持以下任务：
文生图
主体驱动生成
图像编辑
可控生成（如基于轮廓 / 深度的生成）
密集预测
这种设计避免了传统模型需切换不同框架的繁琐，通过系统提示词即可灵活控制任务类型。
高效的推理策略
为了解决自回归模型生成速度慢的痛点，团队引入两种优化：
模型量化：将模型权重量化为 4 位整数，同时保持激活张量为 bfloat16，通过 PyTorch 2.0 中的原生编译工具和 torch.compile 的 reduce-overhead 模式实现无需改变模型架构的优化。
推测式 Jacobi 采样：通过静态 KV 缓存和静态因果注意掩码的方案，使 SJD 兼容于静态编译框架，从而实现加速采样，同时避免动态调整缓存。结合 4 位量化技术，减少 60% GPU 显存消耗，同时通过并行解码加速生成。
实验显示，优化后模型在保持质量的前提下，生成效率显著提升。
实验结果
文生图实验结果
在文本到图像生成领域，Lumina-mGPT 2.0 在多个基准测试中表现优异，与 SANA 和 Janus Pro 等扩散模型和自回归模型相当甚至超越，特别是在 “两个物体” 和 “颜色属性” 测试中表现卓越，以 0.80 的 GenEval 分数跻身顶级生成模型之列。
此外，在实际生成效果上，Lumina-mGPT 2.0 在真实感、细节和连贯性方面优于前代 Lumina-mGPT 和 Janus Pro，更具视觉吸引力和自然美感。
多任务实验结果
在 Graph200K 多任务基准中（可控生成、物体驱动生成），Lumina-mGPT 2.0 表现优异，证明了纯自回归模型在单一框架下完成多模态生成任务的可能性。
此外，团队与其他的多任务生成模型进行了实际比较，Lumina-mGPT 2.0 在可控生成和主题驱动生成任务中表现突出，与 Lumina-mGPT、OneDiffusion 和 OmniGen 等模型相比，展示了卓越的生成能力和灵活性。
未来方向
Lumina-mGPT 2.0 在优化推理后，仍面临采样时间长的问题，与其他基于自回归的生成模型相似，这影响了用户体验，后续将进一步优化。当前 Lumina-mGPT 2.0 的重点在多模态生成， 但计划更新扩展至多模态理解，以提高其整体功能和性能，这将使 Lumina-mGPT 2.0 在满足用户需求方面更加全面。
