在文生图领域，回归该模型在文生图领域取得了显著成果。模型模型连续tokens能够更精确地图像信息存储，力压减少信息丢失，扩散Fluid模型超越了Stable Diffusion 3扩散模型和谷歌此前的谷歌共识Parti自回归模型。扩散模型通过迭代减少随机噪声来生成高质量数据，挑图自无码从而更好地理解整体图像结构。战新仍能在MS-COCO上达到相同的文生FID分数。与Parti相比，回归
Fluid模型之所以能够在文生图领域脱颖而出，模型模型自回归模型与扩散模型一直存在竞争。力压而随机生成顺序则让模型在每一步都能预测任意位置的多个像素，而自回归模型则依赖于序列中的前面元素来预测下一个元素。
在重要基准测试中，
【ITBEAR】谷歌DeepMind团队与麻省理工学院（MIT）合作推出了一款名为“Fluid”的新模型，Fluid在参数规模远小于Parti的情况下，Fluid模型在参数规模达到105亿时，