VAR

输入一句话，高清大片级配图秒出

NeurIPS 2024 最佳论文奖的官方实现，提出视觉自回归建模（VAR），通过下一尺度预测生成图像，以超简单易用的方式达到超越扩散模型的最新效果，并揭示了视觉生成的扩展定律。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 8733

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队FoundationVision

所属国家

官网地址

GitHubhttps://github.com/FoundationVision/VAR

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Jupyter Notebook

技术栈/模型auto-regressive-model,autoregressive-models,diffusion-models,generative-ai,generative-model,gpt,gpt-2,image-generation,large-language-models,neurips,transformers,vision-transformer

GitHub 星标★ 8733

30天Star增速

HF 下载量

上线时间2024-04-01 00:00:00

最近更新2026-09-21 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数8

使用教程

难度：进阶约 30 分钟部署方式：本地安装 5 步

环境要求

Python 环境与 pip3（README 安装步骤使用 pip3）
PyTorch torch>=2.0.0
用于训练的 ImageNet 数据集，需按 README 的 train/val 目录结构放置
可选：flash-attn 与 xformers，用于加速注意力计算

安装与启动步骤

1克隆官方仓库

把官方 VAR 代码下载到本地，后续安装依赖与运行脚本都在该目录内进行。
```
git clone https://github.com/FoundationVision/VAR.git
```
2安装 PyTorch

README 要求 torch>=2.0.0。建议按本机 CUDA 版本到 PyTorch 官网选择对应安装命令，此处为通用写法。
```
pip3 install "torch>=2.0.0"
```
3安装项目依赖

在仓库根目录执行，requirements.txt 列出了其余 pip 依赖包。
```
cd VAR
pip3 install -r requirements.txt
```
4准备 ImageNet

训练需要 ImageNet，目录下应包含 train 与 val，各自再按 n01440764 这类类别名建子目录放图片。
5可选安装加速库

README 说明安装并编译 flash-attn、xformers 可加快注意力计算，代码检测到才会自动使用，不装也能跑。
```
pip3 install xformers
pip3 install flash-attn
```

关键配置

配置项	必填	说明	示例
`--data_path`	是	训练时传入的 ImageNet 数据集根目录，README 明确要求必须传该参数	`--data_path=/path/to/imagenet`

如何确认成功

pip3 install -r requirements.txt 无报错，且 /path/to/imagenet 下 train/val 与类别子目录结构符合 README 示例即视为环境就绪。

常见问题

Q：必须安装 flash-attn 和 xformers 吗？

A：不是必装项。README 将其列为可选，用于加速注意力计算，且代码只在检测到已安装时才自动启用。

Q：不下载 ImageNet 能用吗？

A：README 的安装步骤中准备 ImageNet 属于训练所需数据，不做训练可不准备；但训练脚本必须通过 --data_path 指定该数据集。

Q：在线 demo 还能访问吗？

A：README 中原来的 demo 网站链接已被划掉，改为提供 ByteDance 的邀请制体验站点。

Q：需要什么显卡和显存？

A：README 未给出硬件与显存要求，也未提供 Docker 或一键脚本，需自行按上述步骤配置环境。

注意事项

README 未提供 Docker 镜像或一键推理命令，需手动按安装步骤配置环境。
训练时务必把 --data_path 指向你的 ImageNet 根目录。
flash-attn 通常需要按 CUDA 版本编译安装，遇到失败可先跳过，不影响基本运行。
PyTorch 版本要求 torch>=2.0.0，低于该版本可能无法运行。

核心亮点

NeurIPS 2024最佳论文，提出视觉自回归建模（VAR），通过下一尺度预测实现图像生成，在FID等指标上超越扩散模型，具有强理论创新性。
代码库简洁易用，官方实现支持训练和推理，适合快速复现和二次开发，社区活跃（8.7k星）。
展示了视觉生成中的扩展定律（scaling laws），为自回归图像生成提供了可预测的性能提升路径，具有研究参考价值。

不足之处

项目主要依赖Jupyter Notebook，工程化程度不足，部署到生产环境需额外改造。
文档相对简略，对训练细节和参数调优的说明不够充分，新手上手有一定门槛。

适用场景

学术研究：用于探索自回归图像生成新范式，对比扩散模型性能。
图像生成应用：作为高质量图像生成引擎，用于艺术创作、内容生成等。
模型扩展研究：研究视觉生成中的scaling laws，指导更大规模模型训练。

替代项目

Diffusion Models (DDPM, Stable Diffusion)、VQGAN、DALL-E 2

项目介绍

VAR 是图像领域的开源项目，由 FoundationVision 开发，2024 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（8,733）位列前 6%，在图像分类的 837 个项目里位列前 3%。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-21。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：学术研究：用于探索自回归图像生成新范式，对比扩散模型性能。同类可对比的替代方案包括 Diffusion Models (DDPM, Stable Diffusion)、VQGAN、DALL-E 2。

上一篇：ian-xiaohei-illustrations

下一篇：dream-textures

VAR