VAR 图像生成速查：310M 到 2.3B 的六档模型选型与推理调参-平芜编程栈

VAR 图像生成速查：310M 到 2.3B 的六档模型选型与推理调参

【免费下载链接】VAR[NeurIPS 2024 Best Paper Award][GPT beats diffusion🔥] [scaling laws in visual generation📈] Official impl. of "Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction". An *ultra-simple, user-friendly yet state-of-the-art* codebase for autoregressive image generation!项目地址: https://gitcode.com/GitHub_Trending/va/VAR

想做 VAR 图像生成？这份速查面向新手和普通开发者：VAR 是 NeurIPS 2024 最佳论文《Visual Autoregressive Modeling》的官方开源实现，用 next-scale prediction（下一尺度预测）做自回归图像生成，覆盖安装、6 个模型选型与推理调参。

🚀 先跑起来：VAR 安装与首次采样

获取代码：clone 仓库（地址见文末资源清单）。
装依赖：先装torch>=2.0.0，再执行pip3 install -r requirements.txt补齐其余包。
备数据（仅训练需要）：纯采样可跳过；若训练，按 utils/data.py 描述的方式把 ImageNet 整理成 train/val 两级目录，并通过--data_path传入路径。
下权重：模型权重托管在 Hugging Face 的FoundationVision/var；生成图像前必须先下载 VAE 权重vae_ch160v4096z32.pth。
可选加速：flash-attn与xformers可加快注意力计算，环境里装好后代码会自动启用。

以上步骤完成后，即可加载任意档位模型开始生成，推理入口与参数含义见后文。

📊 VAR 模型选型对比：按算力预算挑哪档

VAR 家族共 6 个官方模型，覆盖 256×256 与 512×512 两档分辨率。FID 是衡量生成图与真实图像分布差异的常用指标，数值越低越好：

模型名	参数规模	输出分辨率	FID	算力开销（相对值）
VAR-d16	310M	256×256	3.55	0.4
VAR-d20	600M	256×256	2.95	0.5
VAR-d24	1.0B	256×256	2.33	0.6
VAR-d30	2.0B	256×256	1.97	1.0
VAR-d30-re	2.0B	256×256	1.80	1.0
VAR-d36	2.3B	512×512	2.63	-

小档位里 VAR-d16 是唯一不足 5 亿参数的成员，算力开销仅 0.4，FID 为 3.55，适合先打通流程、熟悉代码结构。中档有两个：VAR-d20（600M）把 FID 压到 2.95；VAR-d24（1.0B）进一步降到 2.33，开销仅 0.6，是 256 分辨率下三者里最均衡的一档。大档中 VAR-d30 用 2.0B 参数对应 FID 1.97；其改进版 VAR-d30-re 参数同为 2.0B，质量推进到 1.80，是 256×256 上目前最好的成绩，算力开销不变。高分辨率档只有 VAR-d36，2.3B 参数，输出尺寸翻倍到 512×512，FID 为 2.63，面向看重细节的场景。

三条建议：

预算紧张 / 单卡：选 VAR-d16，算力开销 0.4，最快拿到正反馈；
质量与开销平衡：选 VAR-d24，0.6 的开销换来 FID 2.33，单位算力回报最高；
追求最优质量：256×256 用 VAR-d30-re（FID 1.80），512×512 用 VAR-d36。

🧠 next-scale prediction 三分钟看懂

传统自回归图像生成沿光栅扫描顺序（next-token prediction）逐个 token 预测，一张图要串联几千个 token。VAR 把问题改写为"下一尺度预测"：模型先预测图像最粗糙的低分辨率表示，再以粗尺度为条件预测下一层更细的尺度，如此由粗到细推进，直到达到目标分辨率。每步只需决定整个尺度，而非几千个零散 token，自回归步数明显更少。

与扩散模型相比，二者路线不同：扩散从纯噪声出发反复去噪才得到图像；VAR 逐级直接预测离散 token 表示，没有迭代去噪环节。这种结构与 GPT 式语言模型对齐，训练和推理可以复用成熟的自回归技术栈——在 ImageNet 图像生成这一基准上，GPT 风格模型也是由此首次超过扩散模型。

第三个关键特性是缩放规律：FID 随参数增长呈稳定的幂律下降，"加多少参数换多少质量"可以大致外推。这是上方选型表的量化依据，也让社区能持续把这套架构迁移到其他视觉任务。

⚙️ VAR 推理调参建议：cfg、top_p、top_k 怎么配

采样入口是 models/var.py 中的autoregressive_infer_cfg：

from models.var import VAR model = VAR.from_pretrained("FoundationVision/var", model_name="var_d30.pth") model.eval() samples = model.autoregressive_infer_cfg( cfg=1.5, top_p=0.96, top_k=900, more_smooth=False )

cfg：引导强度，决定图像锐利度与样本多样性的取舍；FID 评测用 1.5，想要更锐利的细节可试 5.0。
top_p：核采样阈值，0.96 表示只在累计概率达到 96% 的 token 内采样，过滤低概率噪声。
top_k：每步只保留概率最高的 900 个候选，与 top_p 共同约束随机性。
more_smooth：默认 False 面向 FID 评测；改为 True 图像更平滑、观感更好，适合日常演示。
想自评 FID：生成 50,000 张图（每类 50 张），以 PNG（而非 JPEG）保存，再用 utils/misc.py 的create_npz_from_sample_folder打包成 npz 后评估。