Yuhe Liu, Qi Li, Shihua Zhang e Xinchao Wang apresentam o Jeveration. O método faz um modelo de linguagem-visão congelado gerar imagens completas de 512x512 em um único forward pass.
Não há o vaivém iterativo típico dos modelos de difusão.
Segundo os autores, o mesmo checkpoint também resolve image-to-image e predição densa. Cada tarefa em uma passada, com latência de 78 ms por imagem em uma H200.
O artigo está no arXiv e há uma página de projeto com amostras visuais.
O que os autores propõem
A proposta central é estender o paradigma dos modelos "System One" para a geração de imagens holística. Esses modelos devolvem decisões por predição rápida e paralela, como o Jev citado na introdução.
Em vez de gerar pixel a pixel ou passo a passo, o Jeveration prevê ao mesmo tempo todos os tokens visuais que descrevem a imagem.
Tecnicamente, os autores partem de um backbone Qwen3.5-4B com sua torre de visão mantida congelada. Sobre ele, montam adaptadores LoRA de rank 256 compartilhados entre tarefas e cabeças específicas que leem os "decision tokens".
O total de parâmetros treináveis fica em cerca de 1,0 bilhão. São adaptadores, módulos de entrada e cabeças de saída, uma fração pequena do sistema.
A geração de imagem usa 128 códigos do TA-TiTok, retirados de um codebook de 8.192 entradas. A predição densa usa 432 queries espaciais.
O ponto conceitual mais interessante é o estado aleatório compartilhado. Como todos os tokens são previstos em paralelo, eles precisam concordar sobre qual imagem estão construindo.
Um mesmo prompt admite muitas imagens válidas.
Condicionar todas as posições ao mesmo estado aleatório resolve essa ambiguidade. Cada sorteio produz uma imagem diferente, mas internamente coerente.
Contexto: qual problema está sendo atacado
A divisão entre "System One" e "System Two" vem da psicologia cognitiva e foi importada para a IA generativa. De um lado, respostas rápidas e paralelas.
De outro, raciocínio deliberado, sequencial e caro.
Modelos de difusão e a maioria dos geradores autorregressivos de imagem pertencem ao segundo grupo. São dezenas ou centenas de passos para refinar ruído ou tokens.
O ganho de qualidade veio, em grande parte, desse refinamento iterativo. A pergunta que Liu e colegas colocam é se ele é realmente necessário.
Se um modelo de linguagem-visão já carrega conhecimento visual-semântico rico, por que não reaproveitá-lo para gerar diretamente? A literatura de compreensão de imagens sugere isso há algum tempo.
O obstáculo é a consistência global. Predições paralelas tendem a produzir um mosaico de decisões localmente plausíveis e globalmente incoerentes, ou uma média desfocada de várias imagens possíveis.
É aí que o artigo concentra sua contribuição.
Como funciona
O treinamento tem duas fases. A primeira é uma predição mascarada, em que o modelo aprende uma distribuição sobre os códigos discretos de imagem.
Essa etapa existe porque, segundo os autores, sob supervisão direta de imagem o modelo tende a ignorar o estado aleatório compartilhado. Ele aprende a produzir a resposta média e perde a capacidade de diversificar.
Aprender a distribuição de códigos antes funciona como um andaime que dá ao estado aleatório algo concreto a modular.
A segunda fase é o "decision training" com distribution matching e correction. Nela, o modelo é treinado para acertar a decisão final e, em seguida, refinar os pontos mais incertos.
A correção re-mascara os 50% de posições menos confiáveis de uma amostra. O modelo congelado da primeira fase completa essas posições em quatro rodadas, com CFG 3.
O treinamento usa AdamW com EMA de 0,999 em quatro GPUs NVIDIA RTX PRO 6000.
Na decodificação, os autores adaptam o decoder text-aware do TA-TiTok para 512 px. Adicionam um ramo de condicionamento pela imagem de origem, necessário para as tarefas de image-to-image.
Um teste de ablação mostra que o decoder depende dos dois sinais. Substituir os códigos pelos de outro exemplo derruba o HED edge F1 de 0,896 para 0,552 e a profundidade de 0,825 para 0,346.
Substituir a imagem de origem reduz esses números para 0,652 e 0,767. Os códigos carregam a maior parte da estrutura, e a imagem de origem a refina.
Resultados reportados
O número de manchete é a latência: 78 ms para uma imagem 512x512. Os autores descrevem o resultado como até 122 vezes mais rápido que modelos unificados existentes.
A medição é ponta a ponta, do prompt à imagem decodificada, em uma única H200, batch 1, mediana de cinco chamadas após duas de aquecimento.
A avaliação qualitativa usa benchmarks conhecidos. Para texto-imagem, o GenEval com seus 553 prompts e quatro amostras cada, o HPSv2.1 com 3.200 prompts e o DPG-Bench com 1.064 prompts avaliados como grades.
Para image-to-image, a fidelidade estrutural é medida em 341 exemplos reservados por tarefa, com HED edge F1, profundidade após alinhamento de escala e deslocamento, e Canny edge F1 para colorização. O Style PSNR compara cada saída com o alvo pareado em 223 exemplos reservados.
Para predição densa, os autores reportam as métricas padrão do NYUv2 sobre as 654 imagens de teste. Modelos dedicados usam o mesmo backbone e a mesma inicialização do Jeveration.
Vale registrar o que o resumo afirma e o que não afirma. Os autores falam em "qualidade de imagem competitiva" e "desempenho competitivo em predição densa".
Não há, no material disponível, alegação de superioridade sobre o estado da arte em qualidade. A vantagem reivindicada é de velocidade e unificação.
Limitações e o que não foi provado
O "até 122x mais rápido" é uma comparação contra "modelos unificados existentes", um conjunto que o extrato não detalha. Não fica claro quantos baselines foram usados, em que resoluções, com que batch, nem como a latência foi medida neles.
Também não há comparação direta com geradores de difusão especializados, que são o adversário relevante para quem só quer gerar imagens.
A resolução é fixa em 512 px. O artigo não mostra comportamento em 1024 px ou superior, onde modelos de difusão atuais operam e onde a coerência global se torna mais difícil.
O custo de treinar cerca de 1,0 bilhão de parâmetros sobre um backbone de 4 bilhões congelado também não é discutido em profundidade, nem o quanto o congelamento limita adaptação a domínios muito específicos.
Do lado da geração, o estado aleatório compartilhado levanta questões que o extrato não responde. Como controlar a diversidade, se é possível fazer edição dirigida preservando estrutura, e qual o trade-off entre fidelidade ao prompt e variedade.
A avaliação de qualidade estética se apoia no HPSv2.1, uma métrica automática. Não há menção a estudo com avaliadores humanos.
A predição densa é avaliada apenas no NYUv2, um dataset de cenas internas. São 432 queries espaciais e um conjunto de métricas padrão, mas a generalização para outros domínios de percepção não é demonstrada no material disponível.
Por que isso importa para quem constrói com IA
O argumento prático é simples: 78 ms muda o tipo de produto que se pode construir. Um gerador de imagem nessa latência cabe em laços interativos, em pipelines de agentes onde a geração é uma chamada de ferramenta entre várias, e em cenários de geração em lote com restrição de custo por requisição.
Um modelo que leva segundos força arquiteturas assíncronas, filas e cache. Essa complexidade desaparece quando a resposta chega quase instantaneamente.
O segundo ponto é operacional. Um único checkpoint cobrindo texto-imagem, image-to-image e predição densa reduz a superfície de serving.
Menos modelos para versionar, menos glue code entre estágios, menos memória de GPU ocupada ao mesmo tempo. Para equipes pequenas, isso pode valer mais do que alguns pontos de FID.
O terceiro ponto é de direção de pesquisa. O Jeveration é mais uma evidência de que o conhecimento visual-semântico acumulado em VLMs pode ser redirecionado para geração, e de que o número de passos não é necessariamente o único eixo de qualidade.
Se a abordagem escalar para resoluções maiores e fechar a distância de qualidade em relação à difusão, a economia de inferência de imagem muda de patamar. Por enquanto, é uma aposta técnica promissora com resultados competitivos, não uma substituição demonstrada.
Referências
- Liu, Y.; Li, Q.; Zhang, S.; Wang, X. Jeveration: System One Models Now Generate. arXiv:2611.24738, cs.CV, 18 nov. 2026. Disponível em: https://arxiv.org/abs/2611.24738
- Página do projeto, com amostras e materiais complementares: https://carol-lyh.github.io/Jeveration/




