Fluid

Fluid是一款由Google DeepMind与麻省理工学院合作开发的文本到图像生成模型，基于连续标记与随机生成顺序的方法，在图像质量和生成效率方面实现了显著突破。该模型通过连续标记代替传统的离散标记，并采用随机生成顺序，有效提升了生成图像的视觉表现力，尤其是在多对象场景中表现出色。Fluid在参数规模达到10.5亿时，于MS-COCO数据集上取得了6.16的零样本FID分数，在GenEval基准测试中获得0.69的评分，刷新了文生图领域的记录。 Fluid的核心优势在于其创新性的随机生成机制与连续标记策略，这使得模型能够更准确地捕捉全局结构，同时减少信息损失。此外，Fluid基于Transformer架构，利用自回归建模逐步预测序列中的下一个元素，从而构建与文本提示高度一致的图像。这种架构不仅增强了模型对长距离依赖关系的理解能力，还提高了生成图像的质量和多样性。