# HART – 麻省理工学院推出的自回归视觉生成模型

- Link: https://paooo.com/aigc-news/25374/
- Published: 2026-07-13T15:18:29+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * HART用混合Tokenizer把图像拆成离散结构与连续细节，兼顾自回归可控性与生成质量。
 * 可直接生成1024×1024高分辨率图像，效果接近扩散模型，同时推理效率更高。
 * 在MJHQ-30K上，重构FID降至0.30、生成FID降至5.38，吞吐量提升4.5-7.7倍。

## HART是什么

HART（Hybrid Autoregressive Transformer）是麻省理工学院研究团队推出的自回归视觉生成
模型。能直接生成1024×1024像素的高分辨率图像，质量媲美扩散模型。HART基于混合Tokenizer
技术，将自动编码器的连续潜在表示分解为离散token和连续token，其中离散token负责捕捉
图像的主要结构，连续token专注于细节。HART的轻量级残差扩散模块仅用3700万参数，大幅
提升计算效率。在MJHQ-30K数据集上，HART将重构FID从2.11降至0.30，生成FID从7.85降至
5.38，提升了31%，在吞吐量上比现有扩散模型提高4.5-7.7倍，MAC降低6.9-13.4倍。

阅读目录

 * [HART是什么](https://paooo.com/aigc-news/25374/#hart%e6%98%af%e4%bb%80%e4%b9%88)
 * [HART的主要功能](https://paooo.com/aigc-news/25374/#hart%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [HART的技术原理](https://paooo.com/aigc-news/25374/#hart%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [HART的项目地址](https://paooo.com/aigc-news/25374/#hart%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [HART的应用场景](https://paooo.com/aigc-news/25374/#hart%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![HART](https://paooo.com/wp-content/uploads/2026/07/HART-website-1.avif)

## HART的主要功能

 * **高分辨率图像生成**：直接生成1024×1024像素的高分辨率图像，满足高质量视觉内容
   的需求。
 * **图像质量提升**：基于混合Tokenizer技术，HART在图像重建和生成质量上超越传统的
   自回归模型，与扩散模型相媲美。
 * **计算效率优化**：在保持高图像质量的同时，显著提高计算效率，降低训练成本和推理
   延迟。
 * **自回归建模**：基于自回归方法，逐步生成图像，支持对生成过程进行更精细的控制。

## HART的技术原理

 * **混合Tokenizer**：HART的核心是混合Tokenizer，将自动编码器的连续潜在表示分解为
   离散token和连续token。离散token负责捕捉图像的主要结构，连续token专注于细节。
 * **离散自回归模型**：离散部分由一个可扩展分辨率的离散自回归模型建模，支持模型在
   不同分辨率下生成图像。
 * **轻量级残差扩散模块**：连续部分由一个轻量级的残差扩散模块学习，该模块只有3700
   万个参数，有助于提高模型的效率。
 * **效率与性能平衡**：HART在FID和CLIP分数上优于现有的扩散模型，在吞吐量上提高了
   4.5-7.7倍，MAC降低6.9-13.4倍，实现效率与性能的良好平衡。
 * **自回归生成**：HART基于自回归方法，逐步生成图像，每一步都基于前一步的输出，支持
   模型在生成过程中逐步细化图像细节。

## HART的项目地址

 * **项目官网**：[hanlab.mit.edu/projects/hart](https://hanlab.mit.edu/projects/hart?utm_source=ai-bot.cn)
 * **GitHub仓库**：[https://github.com/mit-han-lab/hart](https://github.com/mit-han-lab/hart)
 * **arXiv技术论文**：[https://arxiv.org/pdf/2410.10812](https://arxiv.org/pdf/2410.10812)
 * **在线体验Demo**：[https://hart.mit.edu/](https://hart.mit.edu/)

## HART的应用场景

 * **数字艺术创作**：艺术家和设计师生成高质量的数字艺术作品，包括插图、概念艺术和
   视觉特效。
 * **游戏开发**：在游戏设计中，生成游戏资产，如角色、环境和道具的高分辨率图像。
 * **电影和视频制作**：生成电影海报、概念艺术或者作为视频内容的背景和特效。
 * **广告和营销**：营销团队快速生成吸引人的广告图像和营销材料。
 * **社交媒体内容**：用户为社交媒体平台生成个性化的图像和视觉内容。

❓ 常见问题解答（FAQ）

HART和扩散模型相比有什么优势？

HART的优势在于兼顾高画质与更高效率。文章显示，它能直接生成1024×1024图像，生成质量
接近扩散模型，同时吞吐量提升4.5-7.7倍，MAC降低6.9-13.4倍。

HART的混合Tokenizer是怎么工作的？

混合Tokenizer会把自动编码器的连续潜在表示拆成离散token和连续token。离散token负责
图像主要结构，连续token负责细节，从而提升重建与生成质量。

HART适合哪些图像生成场景？

HART适合需要高分辨率、高质量视觉内容的场景，如数字艺术创作、游戏资产生成、电影海报
与概念图、广告营销素材以及社交媒体配图。

🔬 语宙深潜追问 · 进阶实操拆解

HART 的混合Tokenizer为什么能提效？

它把结构信息和细节纹理分开建模，减少了单一路径同时处理所有视觉信息的负担。这样既能
保留全局布局，又能提升局部细节生成效率，适合高分辨率场景。

自回归视觉生成如何避免细节崩坏？

要控制 token 粒度、采样温度和分辨率分阶段生成策略，并加入重构约束。实际应用中最好
先生成结构草图，再逐步补纹理，减少长序列累积误差。

🗳️ 读者观点微投票 · 您的实战立场是？

高分辨率生成该优先画质还是吞吐？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🎨 所属权威专题：Midjourney & Flux 咒语库 →](https://paooo.com/topics/midjourney-flux-prompts/)

 * [xAR – 字节联合霍普金斯大学推出的自回归视觉生成框架](https://paooo.com/aigc-news/21416/)
 * [SimpleAR – 复旦大学联合字节 Seed 团队推出的图像生成模型](https://paooo.com/aigc-news/20253/)
 * [Hyper-SD – 字节跳动推出的高效的图像合成框架](https://paooo.com/aigc-news/27938/)
 * [PixelHacker – 华中科技联合VIVO推出的图像修复模型](https://paooo.com/aigc-news/19888/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/25374/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)