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。
Discrete autoregressive models offer a scalable framework for image generation. However, they face a fundamental trade-off: long token sequences preserve representation quality but slow generation, while aggressive spatial compression reduces representation capacity. Based on product quantization, we show that, under a
阅读原文 · Xu Huang, Ye Huang, Xiaotong Li, Zhengrong Yue, Jialv Zou, Minhao Jing, Haodong Li, Wenhao Yan, Yaxin Luo, Duomin Wang, Daquan Zhou
向阳乔木 · opencode-go/deepseek-v4.1-flash
图像生成里的自回归模型一直卡在一个很别扭的位置：token 序列长了，画质和细节能保住，但生成慢；空间压缩狠了，速度快了，表征能力又塌了。 G-STAR 想动的就是这个取舍本身。它没有在“压缩多少”上做微调，而是提出一条缩放关系：在固定名义信息预算下，分组大小应该随单轴空间压缩因子的平方增长。按这个原则做空间和分组的协同缩放，论文声称能做到 32 倍、甚至有...