CLIP + MSE：最小化预测表征与 CLIP 真实表征之间的 MSE， 比如 Emu2、SeedX。在生成图片的时南宫NG·28娱乐(中国)官方网站 (访问: hash.cyou 领取999USDT）候，自回归模型生成视觉特征，基于这个视觉特征，使用一个扩散模型来解码图片。CLIP + Flow Matching：以自回归模型预测的视觉特征为条件，使用流匹配损失来训练 Diffusion Transformer，以预测真实的 CLIP 表征。在生成图片的时候，自回归模型生成视觉特征，基于这个视觉特征，Diffusion Transformer 生成一个 CLIP feature，然后再基于这个 CLIP feature，使用一个轻量的扩散模型来解码图片。整个过程涉及两次扩散过程，第一次生成 CLIP feature，第二次生成真实图片。VAE + Flow Matching：以自回归模型预测的视觉特征为条件，使用流匹配损失来训练 Diffusion Transformer，以预测真实的 VAE 表征。在生成图片的时候，自回归模型生成视觉特征，基于这个视觉特征，Diffusion Transformer 生成一个 VAE feature， 由 VAE 解码器来生成真实图片。