STARFlow2：用自回归标准化流实现真正的统一多模态生成

STARFlow2针对当前多模态生成的架构困境，提出基于自回归标准化流的统一解决方案。核心创新在于利用自回归标准化流与Transformer的同构性（共享因果掩码、KV缓存），通过Pretzel垂直交错架构融合VLM流与TarFlow流，构建统一FAE潜在空间，实现文本与图像的统一生成与理解，同时具备缓存友好的交错生成能力，解决了拼接式架构的结构性错配问题。

深度生成模型推动了统一多模态系统需求，但现有主流方案采用'拼接式'架构（自回归语言模型+扩散图像生成器），存在结构性错配：语言生成是因果序列决策，图像扩散是迭代全局降噪，需维护两套计算机制。模态切换时存在计算开销和信息损失，文本与图像潜在空间隔阂限制跨模态推理能力。

STARFlow2的核心洞察是自回归标准化流与Transformer的深层同构性，两者共享因果掩码、KV缓存和从左到右生成结构。标准化流通过可逆变换映射分布，自回归组织时可应用于离散文本token和连续图像潜在表示，为统一生成提供理论基础。

STARFlow2基于Pretzel架构，垂直交错预训练VLM流与TarFlow流，通过残差连接融合，共享因果掩码和KV缓存，无需模态切换。采用深度-浅层流分工（深度捕捉语义，浅层精细化细节），并构建统一FAE潜在空间，实现文本与图像表示直接比较、组合，条件生成无需额外对齐层。

STARFlow2的缓存友好设计让文本和视觉输出直接进入共享KV缓存，避免模态切换时的额外编码开销。在交互式应用（如对话式图像编辑）中，可即时切换模态，无延迟累积，提升长序列生成效率。

实验表明STARFlow2在图像生成和多模态理解任务均表现强劲：能生成高质量、语义一致的图像，具备细粒度控制能力；继承VLM理解能力，可准确问答图像内容、执行视觉推理，且理解与生成共享机制，支持迭代图像优化等协同任务。

STARFlow2证明自回归标准化流可作为统一多模态建模基础，避免拼接式架构妥协。局限性包括高分辨率生成速度慢、训练复杂；未来可探索并行解码加速生成、流变换架构搜索、扩展到音频/视频/3D等模态，推动多模态AI向真正统一方向发展。