Os geradores de imagem se dividem em duas grandes famílias. Modelos de difusão refinam a imagem inteira em paralelo ao longo de vários passos; modelos autorregressivos a escrevem token por token, como um modelo de linguagem escreve texto. A segunda abordagem é atraente porque pode compartilhar a arquitetura com modelos de chat, mas tem sido lenta, já que cada token a mais é outro passo sequencial. O G-STAR, preprint da Universidade de Pequim, da equipe Longcat da Meituan e de outros grupos, ataca esse problema de velocidade de frente.
A solução óbvia é comprimir mais a imagem para que haja menos tokens a gerar. O porém é que cada token passa a carregar mais informação, e códigos discretos perdem detalhe. O G-STAR representa cada token espacial com um grupo de códigos em vez de um só, e os autores mostram que, para manter o mesmo orçamento de informação, o tamanho do grupo deve crescer com o quadrado do fator de compressão por lado. Isso permite levar a compressão espacial a 32 vezes, e na prática a 64, bem além das 16 de costume. Um decodificador leve prevê em paralelo a maior parte de cada grupo e mantém só um último passo causal, então grupos maiores quase não acrescentam atraso.
A equipe treinou dois modelos, o GSTAR-Pro-8B com compressão de 32 vezes e o GSTAR-Flash-1.7B com 64 vezes. Em 1024 por 1024 pixels, relatam aceleração de 20 vezes em relação a modelos autorregressivos discretos anteriores, cerca de 2,5 segundos por imagem numa única Nvidia H200, com notas competitivas diante dos principais sistemas em cinco benchmarks de texto para imagem: GenEval, DPG-Bench, PRISM, LongText-Bench e Qwen-Image-Bench. Numa comparação controlada, passar de 32 para 64 vezes de compressão custou pouca qualidade, com o GenEval caindo de 0,8060 para 0,7885. Código e pesos estão no GitHub e no Hugging Face.
Isso importa para modelos unificados que entendem e geram imagens, um caminho que vários laboratórios seguem porque assim uma única rede pode ler uma imagem, raciocinar sobre ela e editá-la. A velocidade tem sido a barreira prática para levar esses sistemas a usuários que esperam uma imagem em segundos.
Leia as afirmações com cuidado. Ser competitivo não é o mesmo que liderar, e o ganho de 20 vezes é medido contra modelos autorregressivos antigos, não contra os sistemas de difusão mais rápidos usados hoje. Notas de qualidade de imagem só refletem em parte o que os usuários veem, e as comparações foram feitas pelos próprios autores. É um preprint sem revisão por pares, e a latência real vai depender de um hardware bem menos generoso que uma H200.