像生成文字一樣生成圖像？Qwen VLo技術原理推測

上一代Qwen的類似產品是Qwen-VL系列，就是Vision-Language，擁有看圖片和文字的能力，這次的模型后面加了一個o，變成了Qwen-VLo，我猜測是output的意思，也就是VLo = Vision-Language-Output。

這一點兒很容易理解，VL只能夠理解輸入，而VLo是可以輸出的，也就是圖片輸出功能。

這次的更新最大的亮點就在于這句話：

Qwen VLo 以一種漸進式生成方式，從左到右、從上到下逐步清晰地構建整幅圖片。

這種方式跟現在主流的圖片生成方式非常不同，比如stable diffusion，Midjourney這類型的工具，它們的生成機理是Diffusion，也就是擴散模型。

就是下面這種生成方式，模型不是從一張白紙開始，而是從一張完全被隨機噪點（像老電視的雪花屏）覆蓋的圖片開始。

然后把所有的噪點微調一下，然后讓圖像從“完全混亂”到“稍微有點兒形狀”最后到“成品”，這個過程會重復幾十上百次，每一步都會離最終作品近一步。

而Qwen VLo的生成方式明顯不同，仔細看，它是不是從左到右，從上到下，跟寫作文一樣的展現出來的？

換句話說，你有沒有覺得這個方法跟寫作文是類似的，一行行的寫，最終完成一個稿子，再想一下，這個生成邏輯是不是跟ChatGPT一樣的大模型非常的像，也是一行行寫出來的。

你再看這個生成過程，是不是覺得更像了？

因為這倆的生成邏輯非常的像。

我們先看AI（比如ChatGPT）是怎么寫一句話的。

當你讓它寫：“一只可愛的小貓在__”

它會先預測下一個最可能的詞，比如“睡覺”。它是怎么做到的？它會回頭看已經寫下的“一只可愛的小貓在”，然后根據這些信息，推斷出“睡覺”是合理的。接著，如果要繼續寫，它會看“一只可愛的小貓在睡覺”，再推斷下一個詞。

這個過程有幾個關鍵特點：

• 順序性：一個詞一個詞地往后寫，不能顛倒。

• 依賴性：后面寫的詞，嚴重依賴于前面已經寫好的所有詞。

這種“回頭看，再向前走一步”的機制，就叫做自回歸（Auto-Regressive）。“Auto”是“自己”的意思，“Regressive”是“回歸、追溯”的意思，合起來就是“（從）自己過去（的結果）來推斷未來”。

而Qwen VLo用的方法大概率就是這種，在畫圖上其實也可以用，實際上把一張圖片分割成小塊，再排列一下，其實就把2維->1維，就像下面這樣。

您可以想象把一張圖片切成很多個小方格（比如4x4像素的圖塊），就像一張馬賽克。

然后，模型把這些小方格按數字順序拉成一條長隊：1-2-3-4--16。

這樣，畫畫的任務就變成了像寫文章一樣，按順序“填寫”這一長串的小方格。

那么在Qwen VLo創作的時候，接到指令之后，比如“生成一張可愛的柴犬”。

生成第1格：它看著指令，思考：“這幅畫的左上角（第1格）應該是什么樣子的？” 也許是一點藍天背景。于是它生成了第1格。

生成第2格：現在，它回頭看指令和剛剛畫好的第1格，思考：“在這樣的指令和左上角這塊藍天的旁邊，第2格應該是什么？” 也許還是藍天。于是它生成了第2格。

持續進行：這個過程一直持續，直到最后一個小方格（右下角）被填滿。整幅圖像就像一幅十字繡，一針一線、一個格子一個格子地被繡了出來。

這就是Qwen VLo“逐步清晰地構建整幅圖片”的機理。它的每一步決策都基于指令和所有“歷史創作”，因此邏輯性很強，細節也更可控。

換句話說，它更可控，所以我覺得在未來的視頻生成中，它將會是主流。

當然這也是我的猜測，一切的技術細節要等Qwen VLo開源或者公布技術報告才能下定論。