谷歌DeepMind团队与麻省理工学院（MIT）合作推出了一款名为“Fluid”的新模型，该模型在文生图领域取得了显著成果。据科技媒体The Decoder报道，Fluid模型在参数规模达到105亿时，能够生成最佳的图像效果。
在文生图领域，自回归模型与扩散模型一直存在竞争。扩散模型通过迭代减少随机噪声来生成高质量数据，而自回归模型则依赖于序列中的前面元素来预测下一个元素。
Fluid模型之所以能够在文生图领域脱颖而出，关键在于其采用了连续tokens和随机生成顺序两个创新设计。连续tokens能够更精确地图像信息存储，减少信息丢失，而随机生成顺序则让模型在每一步都能预测任意位置的多个像素，从而更好地理解整体图像结构。
在重要基准测试中，Fluid模型超越了Stable Diffusion 3扩散模型和谷歌此前的Parti自回归模型。与Parti相比，Fluid在参数规模远小于Parti的情况下，仍能在MS-COCO上达到相同的FID分数。
