新加坡国立大学(NUS)最新推出 Jeveration 生图模型,也就是大家口中的生图版 Jev,它不再像扩散模型、自回归模型那样分步迭代生成图片,而是采用并行决策方式单次前向运算直接输出整张 512×512 图片,在单张 H200 显卡上完成一张图仅需 78 毫秒,速度相比同类统一模型最高快 122 倍,同时依靠共享随机状态机制解决并行生成容易出现画面割裂的问题,保证整张图片视觉连贯,同一个模型权重还能同时支持文生图、图生图、稠密预测三大任务。传统生图模型要么是一步步去噪,要么逐个 token 串行生成,并行预测很容易出现局部画面好看、拼在一起不协调的问题,Jeveration 通过给整张图片设置统一共享随机状态,所有图像位置的预测都基于这个共同条件,各个区域并行生成但保持全局关联,解决并行生图画面断裂的痛点。模型在现有冻结 Qwen3.5-4B 多模态大模型基础上,只新增 LoRA 适配器与任务输出头,不需要从头训练庞大的生成主干网络,训练成本更低,推理速度大幅提升。
Jeveration 核心技术特点
- 生成方式:单次前向并行决策,一次性决定整张图全部图像 token,无迭代采样步骤
- 推理速度:512×512 分辨率图片端到端生成 78ms,单 NVIDIA H200 显卡
- 画面连贯方案:每张图片绑定一份共享随机状态,所有图像位置共用该随机条件,协调并行预测,保证画面全局一致性
- 多任务一体化:单个模型权重,同时支持文生图、图生图、稠密预测(图像分割、深度估计、法向量预测)
- 模型基座:基于冻结 Qwen3.5-4B VLM,搭配 LoRA 适配器,减少训练开销
Jeveration 与传统生图模型差异
| 模型类型 | 生成逻辑 | 耗时特点 | 画面连贯难点 |
|---|---|---|---|
| Jeveration | 并行一次性生成整张图 | 78ms/512×512 | 依靠共享随机状态维持全局连贯 |
| 扩散模型 | 多次迭代去噪 | 几百毫秒到数秒 | 迭代逐步修正画面 |
| 自回归图像模型 | 逐个 token 串行生成 | 耗时较长 | 顺序生成天然具备连贯性,但速度慢 |
开源信息
该项目权重、推理代码采用 Apache-2.0 协议开源,模型文件约 6.5GB,可在 Hugging Face 与 GitHub 获取,方便开发者本地部署测试。
【相关 FAQ】
问题 1:NUS 的 Jeveration 生图模型 78 毫秒能生成多大分辨率图片?
回答 1:NUS 的 Jeveration 生图模型 78 毫秒生成的是 512×512 分辨率图片,该耗时为单张 H200 显卡端到端完整推理耗时,包含图像解码环节。
问题 2:Jeveration 并行决定整张图,靠什么保持画面连贯?
回答 2:Jeveration 并行决定整张图时,靠每张图片专属的共享随机状态实现画面连贯,所有图像位置的并行预测都会基于这同一个随机状态,让各个区域生成内容互相匹配,避免图片局部拼接割裂。
问题 3:Jeveration 生图模型除文生图之外还支持哪些任务?
回答 3:Jeveration 生图模型同一个权重支持文生图、图生图以及稠密预测任务,稠密预测包含图像分割、深度估计、表面法向量预测。
【参考资料】
[2026-11-20](Single Pass Image Generation Hits 78 ms in One Forward Pass)Extrapolator AI
[2026-11-20](Jeveration: One-Pass Image Generation in 78 ms From a Frozen VLM)Mervin Praison
[2026-11-20](Jeveration: System One Models Now Generate)HyperAI
[2026-11-18](Jeveration: System One Models Now Generate)arXiv
免责声明:本文仅对 NUS Jeveration 学术研究成果做科普介绍,Jeveration 属于科研原型模型,不是面向普通用户的商用成品工具,生成图像质量、稳定性受硬件、提示词影响,相关性能数据均来自论文实验环境,不代表所有设备都能达到同等效果。
