AI图像编辑技术发展迅猛，扩散模型凭借强大的生成能力，成为行业主流。
但这类模型在实际应用中始终面临两大难题：一是“牵一发而动全身”，即便只想修改一个细节，系统也可能影响到整个画面；二是生成速度缓慢，难以满足实时交互的需求。
针对这些痛点，智象未来（HiDream.ai）团队开辟了新路径：提出全新的自回归图像编辑框架VAREdit。
它引入了视觉自回归（VAR）架构，能够在遵循指令的前提下做到“指哪打哪”，大幅提升编辑精准度与生成速度，推动图像编辑进入新的阶段。
模型与代码均已开源，具体链接可见文末。
全新自回归图像编辑框架VAREdit
智象未来提出的VAREdit将视觉自回归建模引入指令引导的图像编辑中，将图像编辑定义为下一尺度预测问题，通过自回归地生成下一尺度目标特征残差，以实现精确的图像编辑。
设计VAREdit的一个核心挑战是如何将源图像信息引入主干网络中，作为目标尺度生成的参考信息。
智象未来团队首先探索了两种组织方案：
尺度对齐参考模块
对全尺度条件模型的自注意力分析发现：
在首层，注意力分布范围广，主要集中于较粗尺度特征，用于建立整体布局和长程依赖；
而在更深层，注意力逐渐局部化，呈现明显的对角结构，说明其功能已转向空间邻域的细化与局部优化。
上述探索促使智象未来提出一种混合方案——尺度对齐参考（SAR）模块：在第一层提供多尺度对齐参考，后续层仅关注最细尺度特征。
通过上述SAR模块优化，使得VAREdit能够更好地捕捉源图像与目标图像之间的多尺度依赖关系，同时实现最大尺度条件模型的生成效率。
基准测试表现出色
在业内权威的EMU-Edit和PIE-Bench基准测试中，VAREdit在CLIP与更能衡量编辑精准度的GPT指标上均表现突出。
其中，VAREdit-8.4B在GPT-Balance指标上相较于ICEdit和UltraEdit分别提升41.5%与30.8%，而轻量级的VAREdit-2.2B也取得了显著提升。
在速度上，VAREdit同样优势明显。
基于下一尺度预测机制，8.4B模型可在1.2秒内完成一张512×512图像的编辑，较同类扩散模型快2.2倍；2.2B模型则仅需0.7秒，在保持高质量的同时实现了即时编辑体验。
此外，VAREdit适用范围广，在大多数编辑类型上均取得最佳效果。虽然小模型在全局样式和文本编辑方面略有不足，但大模型有效弥补了差距。
视觉对比显示，VAREdit编辑自然、保真度高，过度修改更少。
值得一提的是，引入SAR模块后，模型在精准性指标上进一步提升，凸显其优化价值。
总的来说，VAREdit将下一尺度预测范式引入指令引导图像编辑框架，基于文本指令和量化源图像特征预测目标图像多尺度视觉残差。通过分析不同条件组织形式并引入新颖SAR模块，实现了图像编辑在精准性与效率上的提升。
智象未来团队表示，未来将继续探索新一代多模态图像编辑架构，推动指令引导图像生成技术向更高质量、更快速度、更强可控性发展。
GitHub: https://github.com/HiDream-ai/VAREdit
在线使用: https://huggingface.co/spaces/HiDream-ai/VAREdit-8B-1024
论文链接：https://arxiv.org/pdf/2508.15772
文章来自于微信公众号“量子位”。
