位元組開源生圖模型 BitDance：並行預測 Token，生成提速超 30 倍

BitDance 是字節跳動開源的一套自迴歸影像生成模型。它的核心賣點就一個字：快。

在生成 1024x1024 高解析度圖片時，它的生成速度比傳統自迴歸模型直接提速超過 30 倍。

熟悉生圖模型的開發者都知道，自迴歸路線生成質量很高、可控性也強，但一直有個致命傷：推理太慢。它就像大語言模型吐字一樣，必須一個 Token 接著一個 Token 序列生成。BitDance 想解決的就是這個痛點。

它是怎麼做到大幅提速的

自迴歸模型傳統做法是用離散詞表索引來表示影像，但詞表太小畫質差，詞表太大分類預測又算不動。

BitDance 換了一條路，改用緊湊的二值視覺 Token。藉助高熵二值隱變數，每個 Token 能表達多達 2 的 256 次方種狀態，影像壓縮率極高，資訊保留還很豐富。

面對這麼龐大的狀態空間，傳統的 Softmax 分類器根本沒法抽樣。BitDance 於是引入了一個二值擴散頭，把分類問題轉換成了連續空間下的擴散過程。

更關鍵的一步是它提出的 Next-Patch 擴散解碼機制。它不再一個一個蹦 Token，而是每一步擴散過程並行預測 64 個 Token，直接做到了大面積並行生成。

實際效果與模型規格

這套機制帶來的效能收益非常紮實。在標準測試 ImageNet 256x256 上，BitDance 的 FID 指標達到了 1.24，創下了自迴歸模型裡的新紀錄。

在效率對比上，僅有 2.6 億（260M）引數的 BitDance，不僅在畫質上擊敗了擁有 14 億（1.4B）引數的業界頂級並行自迴歸模型，推理速度還比對方快了 8.7 倍。

除了輕量小模型，BitDance 還支援擴充套件到 14B 這樣的大模型規模。在大規模多模態資料訓練下，即使模型引數拉到 14B，生成 1024x1024 真實照片級別的影像也依然能保持極快速度。

目前專案的論文、完整程式碼和模型權重都已經對外放出，可以在開源社群直接獲取。

為什麼重要

我們認為，BitDance 最有價值的地方在於把自迴歸生圖重新拉回了工業落地的主舞臺。之前自迴歸生圖雖然邏輯上與多模態 LLM 最容易統一，但因為速度被純擴散模型壓得抬不起頭。BitDance 證明了自迴歸架構完全能跟擴散演算法融合，兼顧高質量與高吞吐。

對於想要自建生圖服務或者研究原生多模態生成的開發者來說，BitDance 非常值得現在就拉下來測試。它的二值 Token 與並行擴散思路，很可能會成為接下來開源文生圖架構演進的一個新參考標準。