Next-X Autoregressive (XAR)
Beyond Next-Token: Next-X Prediction for Autoregressive Visual Generation
论文提出了 xAR 模型，旨在统一自回归视觉生成范式，采取了一种通用的 Next-X 预测框架，其中
X 是一种灵活的预测实体，可以表示一个独立图像块（token），一个单元（一组空间连续的tokens），
一个子样本（非局部组），一整个图像（flow-matching），一个尺度（粗到细分辨率），如上图所示。
研究动机
当前 Teacher forcing 自回归生成方法中在每一步将之前步骤的 ground truth 作为输入而不是
模型自身预测输出，尽管这种方法能够提高训练稳定性但会引入额外的偏差。在推理的时候，没有 ground truth 监督仅仅
依赖过去的预测输出，误差会随着时间的推移而累积，导致生成质量下降，如下图所示。
核心创新
xAR 通过\textcolor{myblue}{在每一步的 token 上添加噪声}来学习不完美、损坏的或是部分不精确的条件。
通过 flow-matching 机制，xAR 将离散的 token 分类任务（codebook 学习的token表示）转换为一个连续的实体
回归任务。