字节开源生图模型 BitDance：并行预测 Token，生成提速超 30 倍

BitDance 是字节跳动开源的一套自回归图像生成模型。它的核心卖点就一个字：快。

在生成 1024x1024 高分辨率图片时，它的生成速度比传统自回归模型直接提速超过 30 倍。

熟悉生图模型的开发者都知道，自回归路线生成质量很高、可控性也强，但一直有个致命伤：推理太慢。它就像大语言模型吐字一样，必须一个 Token 接着一个 Token 串行生成。BitDance 想解决的就是这个痛点。

它是怎么做到大幅提速的

自回归模型传统做法是用离散词表索引来表示图像，但词表太小画质差，词表太大分类预测又算不动。

BitDance 换了一条路，改用紧凑的二值视觉 Token。借助高熵二值隐变量，每个 Token 能表达多达 2 的 256 次方种状态，图像压缩率极高，信息保留还很丰富。

面对这么庞大的状态空间，传统的 Softmax 分类器根本没法抽样。BitDance 于是引入了一个二值扩散头，把分类问题转换成了连续空间下的扩散过程。

更关键的一步是它提出的 Next-Patch 扩散解码机制。它不再一个一个蹦 Token，而是每一步扩散过程并行预测 64 个 Token，直接做到了大面积并行生成。

实际效果与模型规格

这套机制带来的性能收益非常扎实。在标准测试 ImageNet 256x256 上，BitDance 的 FID 指标达到了 1.24，创下了自回归模型里的新纪录。

在效率对比上，仅有 2.6 亿（260M）参数的 BitDance，不仅在画质上击败了拥有 14 亿（1.4B）参数的业界顶级并行自回归模型，推理速度还比对方快了 8.7 倍。

除了轻量小模型，BitDance 还支持扩展到 14B 这样的大模型规模。在大规模多模态数据训练下，即使模型参数拉到 14B，生成 1024x1024 真实照片级别的图像也依然能保持极快速度。

目前项目的论文、完整代码和模型权重都已经对外放出，可以在开源社区直接获取。

为什么重要

我们认为，BitDance 最有价值的地方在于把自回归生图重新拉回了工业落地的主舞台。之前自回归生图虽然逻辑上与多模态 LLM 最容易统一，但因为速度被纯扩散模型压得抬不起头。BitDance 证明了自回归架构完全能跟扩散算法融合，兼顾高质量与高吞吐。

对于想要自建生图服务或者研究原生多模态生成的开发者来说，BitDance 非常值得现在就拉下来测试。它的二值 Token 与并行扩散思路，很可能会成为接下来开源文生图架构演进的一个新参考标准。