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。
Autoregressive (AR) image generators are powerful in principle but inflexible in practice: training with a fixed raster-scan order hardcodes a single factorization of the image distribution into the model, leaving it unable to inpaint, outpaint, or edit at inference time. Existing solutions, including the modern discre
阅读原文 · Rishav Pramanik, Marco Pedersoli, Zhaozheng Yin
向阳乔木 · opencode-go/deepseek-v4.1-flash
预训练的自回归图像模型有个尴尬处境：生成质量不差，但只能按固定顺序（光栅扫描，从左到右、从上到下）一个个 token 往外蹦。想让它补全一张图的缺口、往外扩画布、或者局部改一笔，它做不到。因为训练时那个固定顺序已经把图像分布的某一种分解方式硬编码进了模型。 这篇论文的立场很直接： 这个能力不用重新训练出来，可以从已有模型里“解锁” 。作者认为预训练的光栅扫描...