以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Visual generation requires both high-level semantic knowledge and fine-grained pixel details. We propose a learning paradigm that assigns these roles to autoregressive pretraining for knowledge acquisition and diffusion post-training for high-fidelity rendering. Within this framework, we study the objective, representa
阅读原文 · Yucheng Mao, Chongjian Ge, Zhuowen Tu, Hao Tan, Hanwen Jiang
向阳乔木 · opencode-go/deepseek-v4.1-flash
视觉生成这件事，一直有个拧巴的地方：模型既要懂“画什么”，又要管“画得像不像”。这两件事对能力的要求其实很不一样，但大多数模型把它们塞进同一个训练目标里一起学。 这篇论文提出一个挺清晰的拆法： 先用自回归做预训练，专门学语义知识；再用扩散做后训练，专门负责高保真渲染。 名字叫“Know, then Draw”，先知道，再画出来。 这个思路值得看，因为它不只是...