Confía en tu Instinto: Escalando la Confianza para la Generación Autoregresiva de Imágenes

Resumen

El escalado en tiempo de prueba (TTS, por sus siglas en inglés) ha demostrado un éxito notable en la mejora de modelos de lenguaje grandes, sin embargo, su aplicación a la generación autoregresiva (AR) de imágenes basada en predicción del siguiente token (NTP) sigue siendo en gran parte inexplorada. Los enfoques existentes de TTS para AR visual (VAR), que dependen de decodificaciones parciales frecuentes y modelos de recompensa externos, son inadecuados para la generación de imágenes basada en NTP debido a la incompletitud inherente de los resultados de decodificación intermedios. Para cerrar esta brecha, presentamos ScalingAR, el primer marco de TTS diseñado específicamente para la generación de imágenes AR basada en NTP que elimina la necesidad de decodificación temprana o recompensas auxiliares. ScalingAR aprovecha la entropía de los tokens como una señal novedosa en la generación de tokens visuales y opera en dos niveles de escalado complementarios: (i) Nivel de Perfil, que transmite un estado de confianza calibrado fusionando señales intrínsecas y condicionales; y (ii) Nivel de Política, que utiliza este estado para terminar adaptativamente trayectorias de baja confianza y programar dinámicamente la guía para una fuerza de condicionamiento apropiada a la fase. Los experimentos en benchmarks generales y de composición muestran que ScalingAR (1) mejora los modelos base en un 12.5% en GenEval y un 15.2% en TIIF-Bench, (2) reduce eficientemente el consumo de tokens visuales en un 62.0% mientras supera a los baselines, y (3) mejora con éxito la robustez, mitigando las caídas de rendimiento en un 26.0% en escenarios desafiantes.

English

Test-time scaling (TTS) has demonstrated remarkable success in enhancing large language models, yet its application to next-token prediction (NTP) autoregressive (AR) image generation remains largely uncharted. Existing TTS approaches for visual AR (VAR), which rely on frequent partial decoding and external reward models, are ill-suited for NTP-based image generation due to the inherent incompleteness of intermediate decoding results. To bridge this gap, we introduce ScalingAR, the first TTS framework specifically designed for NTP-based AR image generation that eliminates the need for early decoding or auxiliary rewards. ScalingAR leverages token entropy as a novel signal in visual token generation and operates at two complementary scaling levels: (i) Profile Level, which streams a calibrated confidence state by fusing intrinsic and conditional signals; and (ii) Policy Level, which utilizes this state to adaptively terminate low-confidence trajectories and dynamically schedule guidance for phase-appropriate conditioning strength. Experiments on both general and compositional benchmarks show that ScalingAR (1) improves base models by 12.5% on GenEval and 15.2% on TIIF-Bench, (2) efficiently reduces visual token consumption by 62.0% while outperforming baselines, and (3) successfully enhances robustness, mitigating performance drops by 26.0% in challenging scenarios.

Confía en tu Instinto: Escalando la Confianza para la Generación Autoregresiva de Imágenes

Go with Your Gut: Scaling Confidence for Autoregressive Image Generation

Resumen

Support