Progress by Pieces: Test-Time Scaling for Autoregressive Image Generation

Paper: arXiv:2511.21185 Code: JoonHyung-Park/GridAR Code reference: main @ 5f755efe (2026-04-03)

1. Motivation (研究动机)

这篇论文解决的是“视觉自回归模型能否像语言模型一样通过 test-time compute scaling 变好”这个问题，但它的切入点不是再训练模型，也不是给图像模型加一个完整的外部规划器，而是重新分配推理阶段的采样预算。Janus-Pro、LlamaGen、Emu3、Infinity 这类 visual AR 模型把图像离散化成 token 序列，然后按 raster-scan 顺序从左到右、从上到下生成。这个形式与 LLM 的 next-token prediction 很像，因此一个自然想法是把语言任务里的 Best-of-N、verifier、search 等测试时扩展方法迁移过来：多生成几个完整候选，再用 reward model 或 verifier 挑最好的。然而图像 AR 的结构性瓶颈与文本不同，朴素 Best-of-N 经常把算力浪费在已经走歪的轨迹上：如果上半部分已经多画了一个物体、颜色绑定错了、空间关系错了，模型仍会继续完成剩下的 token，最终整张图被丢弃，但前面大部分计算已经花掉了。

论文把这个问题归结为两个互相耦合的缺陷。第一是“错误轨迹的全长浪费”：Best-of-N 在候选完成后才筛选，无法在局部错误出现时早停或替换；视觉 AR 生成一张图的 token 数很大，所以早期错误导致的浪费比文本短答案更明显。第二是“blueprint deficiency”：raster-scan 解码只有历史 token，没有显式的全局画布蓝图。模型在生成上半部分时未必知道下半部分应该留给哪些对象；当上半部分已经出现三只熊时，原始 prompt “a photo of eight bears” 仍然没有告诉模型剩余区域应补五只熊，因此后续解码可能重复、遗漏或布局混乱。Best-of-N 增加的是完整样本数量，但没有让模型在中途理解“当前局部状态意味着后面该怎么安排”。

这篇论文的价值在于它把 test-time scaling 从“独立完整采样”改成“分段探索 + 中途验证 + 布局重写”。这对于图像生成很实用：在生产推理里，更多 N 通常意味着线性成本上升；如果一个方法能在 N=4 的预算下打败 BoN N=8，同时减少 wall-clock time，就说明它不是单纯依赖更多采样，而是改变了搜索空间的有效利用率。论文报告 GridAR 在 Janus-Pro 上 N=4 相比 BoN N=8 的 T2I 质量提升 14.4%，同时 wall-clock time 降低 25.6%；用开源 MiniCPM-V 4.5 verifier 时也有 11.7% 提升和 27.6% 时间降低。这使得它更像一种可插拔的推理调度策略，而不是依赖某个闭源模型能力的单点 trick。

更大的研究背景是多模态生成正在从“单次前向生成”走向“推理时搜索”。扩散模型领域已有 evolutionary search、reward-guided selection、closed-loop verification 等方向；视觉 AR 模型由于 token 顺序更接近语言模型，理论上更适合借鉴 LLM test-time scaling，但也更受序列化画布限制。GridAR 的贡献在于指出：视觉 AR 的 scaling 单元不应该是一整张图，而可以是“可见局部片段”；verification 不应该只评估最终图，也可以评估局部片段是否已经不可能满足 prompt；prompt reformulation 不应该在生成前空想，而应根据已经生成的 anchors 动态补全布局约束。

2. Idea (核心思想)

核心思想可以概括为：把一张图切成按行推进的网格候选，在每个中间阶段同时生成多个局部 continuation，用 VLM verifier 只淘汰“已经不可能正确”的局部候选，把可行候选复制成 anchors 继续向下生成，并在中途把原始 prompt 改写成与已验证局部画面一致的可实现布局。这样，GridAR 没有改变 AR 模型参数，也没有改变最终 reward model 的选择逻辑；它改变的是候选生成树的展开方式，让推理预算尽早避开坏分支，并让后续 token 在更明确的布局提示下生成。

与 Best-of-N 的根本差别在于“选择发生的粒度”。BoN 的每个候选都是完整图像，评估点在最后；GridAR 的候选是 quarter / half / full 的逐步片段，评估点在中途。它不做 beam search 式的 top-k，因为局部视野下某些 prompt 目标可能尚未出现，过早按分数排序会误杀潜在可行路径；论文只拒绝 verifier 判断为 impossible 的候选，保留所有 possible 候选以维持多样性。这个设计很关键：GridAR 的 verifier 不是 reward model 的替代品，而是一个早期可行性过滤器。

第二个关键思想是“中途重写 prompt”。如果前半张图已经画了三只熊，继续用原始 prompt “eight bears” 会让模型不知道剩余区域应承担五只熊；GridAR 让 verifier 观察中间图，生成更具体的布局 prompt，例如 “three on top and five on the bottom”。这个 prompt reformulation 不是把模型带离原始语义，而是把原始语义分解到剩余画布上。论文进一步提出 two strategies：three-way CFG 把 reformulated prompt 的方向正交化后加到原始 CFG 方向上；prompt replacement 则直接用 reformulated prompt 替换原 prompt，成本低但信号更粗。

直觉上，GridAR 把“更多采样”转化成“更宽但更短的局部搜索树”。在 BoN N=4 中，四条路径互不交流，某条路径上半部分出错后仍继续浪费一整张图的预算；在 GridAR N=4 中，四个局部片段先被合成一个 grid 让 verifier 批量判断，坏片段被可行片段复制替换，下一阶段的生成由 anchors 约束。这样做的收益不是来自更强的 base model，而是来自更有效的 branch management：每个阶段都把算力推向仍有希望满足 prompt 的区域。

Figure 1 解读：这张总览图展示了 GridAR 的两个基本动作：先把 raster-scan 中的局部 rows 组织成 grid，让 verifier 对局部候选做 accept / reject；再把 verified partial images 作为 anchors 复制到后续画布，并通过 prompt reformulation 把原始文本改成与中间结果一致的布局提示。它说明 GridAR 不是单纯生成更多完整图，而是在生成过程中反复“看局部、筛局部、固定局部、继续补全”。

3. Method (方法)

3.1 视觉 AR 与 GridAR 的整体流程

论文沿用 visual AR 的标准建模：图像经过 VQ tokenizer 变成离散 token，模型在文本条件 $c_T$ 下按序列自回归生成。对第 $r$ 个局部候选，第一阶段可以写成： $p_{\varphi }({\mathbf{x}}^{(r)}\mid {\mathbf{c}}_T)={\prod }_{n=1}^L{p}_{\varphi }(x_n^{(r)}\mid x_{<n}^{(r)},{\mathbf{c}}_T),r=1,\dots ,4.$ 这里 $L=h/4\cdot w$，即每个第一阶段候选对应 quarter-height row segment。四个候选独立生成，但 prompt 的 key-value representation 可复用；生成出的离散 token 映射回 VQ codebook 后，用同一次 decoder forward 得到包含四个候选片段的 grid image ${\mathbf{I}}_{\text{grid}}={\mathcal{D}}^{\text{VQ}}({\mathbf{x}}^q)$。GridAR 的整体 pipeline 是：第一阶段生成四个 quarter candidates；verifier 对 grid 中每行判断 possible / impossible；impossible 候选被同组 possible 候选替换；verified quarter tokens 作为 anchors；第二阶段在 anchors 下继续生成 half images，再次 verifier；最后生成完整图，并用 output reward model 选出最佳候选。

Figure 2 解读：图中上半部分展示 first-stage rejection：四个包的局部候选中一个已经超过目标数量，因此被 reject，并用可行候选复制替换；随后每个可行 row 被固定为 anchor，继续解码下半行。下半部分展示 second-stage rejection：第一阶段可能全部通过，但在半图阶段仍可能暴露语义错误，例如“不是 brown cow”，此时仍可替换坏半图并继续解码。这个流程体现了 GridAR 的“中途止损”：它不是等到完整图再选，而是在错误还只占局部时就把分支剪掉。

3.2 Candidate verification：只拒绝 impossible，不做 top-k

GridAR 的 verifier $V_{\psi }$ 接收 grid image 和原 prompt，输出四个 row-wise judgments： $\mathbf{y}=V_{\psi }({\mathbf{I}}_{\text{grid}},{\mathbf{c}}_T)=(y^{(1)},\dots ,y^{(4)}),y^{(r)}\in \{\text{possible},\text{impossible}\}.$ 论文明确不使用 beam search 的 top-k。原因是局部视图天然不完整：如果 prompt 需要八只熊，上半部分只出现三只熊并不代表错误；如果 prompt 需要“红色包和蓝色包”，某个颜色还没出现也未必 impossible。Top-k 会把局部高分但多样性不足的候选留下，误杀后续可能补全目标的候选。GridAR 的策略更保守：只替换已经违反 prompt 的 candidates，例如对象数量超过目标、属性绑定已经错、空间关系在可见区域内已经不可能修复。若某个候选被 reject，就随机或循环使用同组 feasible candidate 替换。论文例子中若 ${\mathbf{x}}^{(2)}$ 被 reject，anchor set 可变成 $[{\mathbf{x}}^{(1)},{\mathbf{x}}^{(4)},{\mathbf{x}}^{(3)},{\mathbf{x}}^{(4)}{]}^{\top }$。

代码实现与论文描述基本一致。GridAR-Janus-Pro/evaluate_gridar.py 的 main 先扩展 prompt 到 batch_size * cfg.N，调用 generate_t2i_first_quarter 得到 quarter tokens，再调用 run_stage_selection；后者在 GridAR-Janus-Pro/method_utils.py 中先通过 build_partial_stage_visuals 把 raw images 合成 partial grid，再用 query_prm(cfg.prm.prm_model, selection_prompt, aggregate_image) 请求 verifier，最后调用 propagate_selection 替换 impossible 分支。propagate_selection 解析 possible flags 后收集 possible_indices 与 impossible_indices，若存在 feasible 分支，就把 impossible 位置的 tokens/images 替换成 possible 位置；若全部 impossible，则记录 num_all_impossible，并在 grouped-by-4 的局部范围内尽量处理。

3.3 Image expansion：从 quarter anchors 到 half，再到 full

通过第一轮验证后，四个 verified partial images $\{{\mathbf{x}}_{\text{anchor}}^{(r)}{\}}_{r=1}^4$ 被传播到下一阶段。论文默认展示 $(R_1,R_2)=(4,2)$ 的 N=4 情形：第一阶段有四个 row candidates，第二阶段形成两个 half-image canvases： ${\tilde{\mathbf{x}}}_1=[({\mathbf{x}}_{\text{anchor}}^{(1)},{\mathbf{x}}_{\text{gen}}^{(1)}),({\mathbf{x}}_{\text{anchor}}^{(2)},{\mathbf{x}}_{\text{gen}}^{(2)}){]}^{\top },$ ${\tilde{\mathbf{x}}}_2=[({\mathbf{x}}_{\text{anchor}}^{(3)},{\mathbf{x}}_{\text{gen}}^{(3)}),({\mathbf{x}}_{\text{anchor}}^{(4)},{\mathbf{x}}_{\text{gen}}^{(4)}){]}^{\top }.$ 每个 continuation 满足 $p_{\varphi }({\mathbf{x}}_{\text{gen}}^{(i)}\mid {\mathbf{x}}_{\text{anchor}}^{(i)},{\mathbf{c}}_T)={\prod }_{n=1}^{L^{\prime }}{p}_{\varphi }(x_{\text{gen},n}^{(i)}\mid x_{\text{gen},<n}^{(i)},{\mathbf{x}}_{\text{anchor}}^{(i)},{\mathbf{c}}_T).$ 第二阶段之后会得到 2-by-2 的 four half-image views，verifier 再次剪掉不可能满足 prompt 的 half candidates。每个 verified half image 被 anchor 到新 canvas，剩余 half 继续自回归生成完整图。最后一步不再让 verifier 决定最终图，而是使用 outcome reward model（paper 与代码均为 Qwen2.5-VL）在每个 prompt 的 $N$ 个完整候选中打分并取 argmax。这一点保证了 GridAR 与 BoN 的最终选择口径可比：二者都用同一个 ORM，只是 GridAR 在中间阶段改变候选池质量。

在 released code 中，evaluate_gridar.py 的核心调用顺序是 generate_t2i_first_quarter → run_stage_selection → refine_stage_prompts → generate_t2i_second_quarter → run_stage_selection → refine_stage_prompts → generate_t2i_second_half → run_orm_ranking。GridAR-Janus-Pro/configs/evaluate_gridar.yaml 给出默认 N: 4、batch_size: 2、cfg_scale: 5.0、prm.prm_model: gpt-4.1、orm.model_name: Qwen2.5-VL-7B-Instruct；configs/method/gridar_two_step.yaml 显示 both after_first_quarter and after_first_half 都开启 select: true、refine: true、use_3way_cfg: true，并使用 cfg_decode_3_way。

3.4 Layout-specified prompt reformulation

GridAR 的第二个组件解决的是“局部候选可行，但后续仍不知道全局布局”的问题。论文先做 pilot study：选择 Janus-Pro 7B 在 single-sample N=1 失败的 prompts，固定已经正确的上半图，然后多次解码下半图，统计最终满足 prompt 的样本数量。结果显示即使上半图正确，继续沿用原 prompt 仍会经常重复或漏掉对象；当中途把 prompt 改写为包含剩余布局的描述后，成功率随 trials 增长明显更快。典型例子是上半图已出现三只熊时，把 “a photo of eight bears” 改成 “a photo of eight bears, three on the top and five on the bottom”。

Figure 3 解读：这张图把原始 prompt 与 reformulated prompt 的下半图成功率进行对比。蓝线代表继续使用原 prompt，红线代表根据中间图写入布局信息；四个例子都显示红线在相同 trials 下产出更多 successful samples。直观含义是：AR 模型并非完全不能生成复杂数量和空间关系，而是需要在局部状态确定后，把“剩余区域应该承担什么”明确写进条件信号。

论文提出两种把 reformulated prompt 注入解码的方式。第一种是 three-way CFG。令 $T_u,T_o,T_r$ 分别为 unconditional、original prompt、reformulated prompt，模型在第 $i$ 个 token 产生三组 logits： $l_i^{(u)}=W{f}_{\theta }(x_{<i},i,T_u),l_i^{(o)}=W{f}_{\theta }(x_{<i},i,T_o),l_i^{(r)}=W{f}_{\theta }(x_{<i},i,T_r).$ 定义方向 $d_{o,i}=l_i^{(o)}-l_i^{(u)}$ 和 $d_{r,i}=l_i^{(r)}-l_i^{(u)}$。为了避免 reformulated prompt 覆盖原 prompt 的语义，GridAR 将 $d_{r,i}$ 对 $d_{o,i}$ 正交化： ${\tilde{d}}_{r,i}=d_{r,i}-\frac{⟨d_{r,i},d_{o,i}⟩}{\Vert d_{o,i}{\Vert }^2}{d}_{o,i}.$ 最终采样 logits 为： $l_i^{\text{sample}}=l_i^{(o)}+s_o{d}_{o,i}+s_r{\tilde{d}}_{r,i}.$ 论文设置 $s_o=s_r=s$，不额外调参。released code 的 GridAR-Janus-Pro/decode.py 中 cfg_decode_3_way 完整实现了同一逻辑：direction_original = logit_cond - logit_uncond，direction_refined = logit_cond_modified - logit_uncond，再用 projection / norm 得到 orthogonal_refined；返回值为 logit_uncond + (scale + 1.0) * direction_original + refined_scale * orthogonal_refined。这里 scale + 1.0 是代码的 CFG 约定，等价于以 conditional logit 为基点再加 scale 倍 conditional-unconditional direction。

第二种是 prompt replacement：后续 decoding 直接把 $T_o$ 换成 $T_r$，标准 CFG 写成 $l_i^{\text{sample}}=l_i^{(r)}+s_r(l_i^{(r)}-l_i^{(u)})$。这个方式少一次三路 logits 的融合，成本更低，但没有 three-way CFG 中“保留原 prompt 方向、只加入布局正交方向”的细粒度控制。代码中 gridar_two_step_no_3way_cfg.yaml 保留 select/refine，但把两个阶段的 use_3way_cfg 都设为 false，可用于这个 ablation。

3.5 代码映射与实现差异

Paper Concept	Source File	Key Class/Function
T2I GridAR 主流程	GridAR-Janus-Pro/evaluate_gridar.py	main, PartialStageSpec, build_method_name
Janus-Pro 分段生成	GridAR-Janus-Pro/generator/janus_generator.py	JanusGenerator.generate_t2i_first_quarter, generate_t2i_second_quarter, generate_t2i_second_half, _chain_3way_core
Verifier 批量选择	GridAR-Janus-Pro/method_utils.py	run_stage_selection, query_prm, parse_possible_flags
Impossible 分支替换	GridAR-Janus-Pro/method_utils.py	propagate_selection
Prompt reformulation	GridAR-Janus-Pro/method_utils.py	refine_stage_prompts, normalize_refined_prompt
Three-way CFG	GridAR-Janus-Pro/decode.py	cfg_decode_3_way
最终 ORM 排序	GridAR-Janus-Pro/method_utils.py	run_orm_ranking, score_candidate_with_orm
Grid/partial visualization	GridAR-Janus-Pro/method_utils.py	compose_stage_grid, build_visible_stage_images, build_partial_stage_visuals
Image editing extension	GridAR-EditAR/sample_edit_gridar.py, generate_edit_gridar.py, orm_verifier.py	EditAR sampling and Qwen2.5-VL candidate scoring

论文公式与 released code 实现差异：论文实验包含 Janus-Pro、LlamaGen 与 EditAR；当前公开仓库主 README 写明包含 GridAR-Janus-Pro 和 GridAR-EditAR 两个子项目，没有看到 LlamaGen 子项目，因此 LlamaGen 表格结果可从论文记录，但无法用该 commit 的代码直接定位其 launch/config。论文默认 verifier 是 GPT-4.1，并分析 GPT-4o-mini、GLM-4V、MiniCPM-V 4.5；released T2I config 默认 prm_model: gpt-4.1，开源 verifier 对比的具体脚本/配置没有在顶层同等显式暴露。论文报告 Janus-Pro $s_o=5$、LlamaGen $s_o=6.5$；released Janus-Pro config 对应 cfg_scale: 5.0，LlamaGen 的 6.5 未在当前仓库中定位到模型专属配置。

4. Experimental Setup (实验设置)

4.1 任务、模型与评价方式

论文覆盖两个任务。第一是 text-to-image generation，使用 Janus-Pro-7B 和 LlamaGen 作为 visual AR backbones，在 T2I-CompBench++ 与 GenEval 上评估。T2I-CompBench++ 按 attribute binding（Color、Shape、Texture）、object relationship（2D Spatial、3D Spatial、Non-Spatial）、Numeracy、Complex 等维度评分；GenEval 表中报告 Counting、Position、Color Attribution 和 Overall。第二是 image editing，使用 EditAR 作为 AR editing backbone，在 PIE-Bench 上评估编辑指令遵循与源图保持。

基线包括单次 AR 生成、Best-of-N、若干 diffusion baselines（SDXL、Pixart-α、DALL·E 3、SD3、FLUX.1）、其他 AR 方法（Show-o、Emu3、Infinity、Lumina-mGPT、LlamaGen、Janus-Pro）以及部分已有 test-time scaling / reinforcement learning 方法（如 Show-o + PARM）。对于 GridAR 与 BoN，论文保持同一 outcome reward model 以保证最终选择可比；T2I 和 baseline 的 outcome reward model 是 Qwen2.5-VL。中间 verifier 默认使用 GPT-4.1，另在分析中替换为 GPT-4o-mini、GLM-4V、MiniCPM-V 4.5。

实现细节上，论文写明 Janus-Pro 的 original CFG scale $s_o=5$，LlamaGen 为 $s_o=6.5$，遵循原模型设置；GridAR 的 reformulated prompt guidance scale 设置为 $s_r=s_o$，默认使用 three-way CFG。released code 的 evaluate_gridar.yaml 默认 N: 4、batch_size: 2、cfg_scale: 5.0，gridar_two_step.yaml 在 first quarter 和 first half 后均执行 selection + refinement + three-way CFG。成本分析在 RTX 3090 GPU 上测 single-batch processing time，且 Best-of-N 使用 KV-caching 优化以保持公平。

4.2 图表与结果资产

Figure 4 解读：雷达图突出 Janus-Pro 上 GridAR N=4 相比 BoN N=8 的质量优势，论文摘要与正文给出的 headline 是 +14.4% image quality。这个图的作用是说明 GridAR 的收益不仅来自某一个维度，而是来自多个 compositional dimensions 的整体改善；对于数量、属性绑定和空间关系这类容易被 raster-scan 局部决策破坏的维度尤其关键。

Figure 5 解读：左侧 T2I qualitative examples 对比 Janus-Pro、BoN N=4 与 GridAR N=4；GridAR 更容易满足“rubber ball and leather wallet”“round muffin and square napkin”“seven refrigerators”等组合约束。右侧 image editing examples 展示 EditAR、BoN 与 GridAR，在改花色、改环境、移除蘑菇等指令上，GridAR 通过局部 verification 更好地保留源图结构，并减少 BoN 中常见的局部错误选择。

Figure 6 解读：这组分析图对应正文的三类问题：left 是 cost-performance Pareto，center 是不同 verifier 的维度表现，right 是 prompt reformulation timing。它支撑论文的一个核心主张：GridAR 的优势不是必须依赖 GPT-4.1；使用 MiniCPM-V 4.5 也能获得正收益。同时，midway reformulation 比 generation-before planner prompt 更有效，说明 prompt 应该绑定到已经生成的 anchors，而不是在生成前静态规划。

5. Experimental Results (实验结果)

5.1 T2I-CompBench++ 主结果

T2I-CompBench++ 表格显示，GridAR 对 Janus-Pro 的提升最显著。Janus-Pro 单次生成在 Color/Shape/Texture/2D/3D/Non-Spatial/Numeracy/Complex 上分别为 0.5388、0.3476、0.4357、0.1607、0.2806、0.7733、0.4467、0.3796。Janus-Pro + BoN N=8 提升到 0.7234、0.4178、0.5600、0.2430、0.3165、0.7853、0.5068、0.3926；Janus-Pro + GridAR N=4 已达到 0.8050、0.6014、0.7268、0.2833、0.3503、0.7887、0.5684、0.3905，并在多数维度超过 BoN N=8。Janus-Pro + GridAR N=8 进一步达到 0.8172、0.6174、0.7408、0.3214、0.3587、0.7930、0.5932、0.4041。

LlamaGen 上也有一致但较小的收益。LlamaGen 单次为 0.2927、0.3160、0.3828、0.1118、0.1510、0.7143、0.2727、0.2445；LlamaGen + BoN N=8 为 0.5143、0.4465、0.5850、0.1578、0.2016、0.7543、0.4197、0.3054；LlamaGen + GridAR N=8 为 0.5774、0.4783、0.5984、0.1830、0.2019、0.7570、0.4407、0.3103。论文正文总结为：在相同 N 下，GridAR 对 Janus-Pro 和 LlamaGen 的平均分分别提升 17.8% 和 4.8%；Janus-Pro 上 GridAR N=4 甚至超过 BoN N=8，提升 14.4%。

这些数字说明 GridAR 更适合强 AR backbone。Janus-Pro 本身的局部候选质量和响应 layout-specific prompt 的能力更强，因此中途 anchors 与 prompt reformulation 能把潜力转化为最终结果；LlamaGen 也受益，但受 base model 能力限制，收益更小。也就是说 GridAR 是 scaling policy，不是万能纠错器：如果 base model 很难按布局指令生成，局部搜索树再聪明也会遇到上界。

5.2 GenEval 结果

GenEval 表格中，Janus-Pro 单次在 Counting、Position、Color Attribution、Overall 上为 0.59、0.77、0.65、0.79；Janus-Pro + BoN N=8 为 0.76、0.86、0.72、0.86；Janus-Pro + GridAR N=8 为 0.79、0.92、0.73、0.88。LlamaGen 单次为 0.12、0.14、0.05、0.34；LlamaGen + BoN N=8 为 0.21、0.22、0.14、0.44；LlamaGen + GridAR N=8 为 0.24、0.25、0.13、0.46。论文只列 Counting、Position、Color Attribution 三个 selected dimensions；正文说明其余维度已接近饱和，因此笔记不补写未在表中列出的具体分项数值。

从 GenEval 看，GridAR 的收益主要集中在 counting 与 position。这个结果与方法设计一致：grid verification 可以提前发现对象数量过多、局部空间关系已错的分支；layout reformulation 则直接把数量和相对位置写入后续条件。Color Attribution 上 LlamaGen 的 GridAR N=8 为 0.13，略低于 BoN N=8 的 0.14，但 overall 仍更高；这提示局部 verifier 与 prompt reformulation 对不同属性类型的收益不完全均匀。

5.3 Image editing 与源图保持

在 PIE-Bench image editing 上，GridAR 对 Best-of-N 的优势不仅是 edit instruction fidelity，也体现在 source preservation。论文报告相比 EditAR + BoN N=4，GridAR 将 structure-aware distance 降低 7.27%，MSE 降低 17.01%，CLIP similarity 也有所改善。即使与 BoN N=8 相比，GridAR 的 CLIP similarity 25.532 与 BoN N=8 的 25.628 接近，但 source preservation 明显更好：structure-aware distance 为 36.632 vs. 42.873，MSE 为 103.896 vs. 135.404。对于编辑任务，这个差异很重要，因为高 CLIP 不一定意味着保留源图结构；GridAR 的中途 verifier prompt 被改成同时考虑 source preservation 与 edit instruction，因此能避免为了满足编辑语义而破坏背景。

5.4 成本、verifier 与 prompt timing 分析

成本分析是论文最有说服力的部分之一。GridAR 确实增加了 verification 开销，但它把四个候选合成 grid 批量验证，因此 overhead 不随候选逐个线性爆炸。Janus-Pro 上，GridAR N=4 + GPT-4.1 verifier 的 single-batch processing time 为 36.5s；GridAR N=4 + MiniCPM-V 4.5 verifier 为 35.5s；BoN N=4 为 23.9s，BoN N=8 为 49.1s。相比 BoN N=8，GridAR N=4 + GPT-4.1 获得 14.4% performance improvement 且 wall-clock time 降低 25.6%；MiniCPM-V 4.5 获得 11.7% improvement 且降低 27.6%。这说明 GridAR 的合理比较对象不是同 N 的 BoN，而是在质量接近或更高时的 cost-performance Pareto frontier。

Verifier 分析显示 GridAR 对 verifier 能力有依赖，但不是闭源 verifier 专属。GPT-4o-mini 带来 18.6% improvement，GLM-4V 为 17.6%，MiniCPM-V 4.5 为 15.9%。这说明中间判断任务主要是“局部画面是否已经不可能满足 prompt”和“如何描述一个可行布局”，不一定需要最强闭源模型才能产生收益；但更强 VLM 的图像理解仍会提高上界。

Prompt reformulation timing 的 ablation 也支持论文设计。若在生成前用 planner 先改写 prompt，平均分为 0.5018；不做 reformulation 为 0.4753；GridAR 的 midway layout-aware reformulation 为 0.5643。作者解释是：初始 layout-guided prompt 可能在早期 token 就偏离计划，而 midway reformulation 依赖已生成的 partial images，因此布局约束与真实 anchors 对齐。换句话说，图像 AR 的“计划”不应完全先验给出，而应随可见画布逐步更新。

5.5 局限与可复现注意点

论文的主要局限是 verifier 假设。GridAR 需要 VLM 能够理解局部图像、判断 impossible candidate，并把局部状态转成可行 layout prompt；如果 verifier 对复杂空间关系或局部可见性判断不稳，可能误拒绝仍可修复的候选，或把错误布局写入 prompt。论文用“只拒绝 impossible、不做 top-k”缓解这个问题，但无法完全消除 verifier bias。第二个局限是方法天然适配 raster-scan / row-wise 的 AR decoding；如果 backbone 的 tokenization 或 generation order 与行分割不匹配，GridAR 的 quarter/half stages 需要重新设计。

复现时要注意三点。第一，训练/推理配置必须从实际 launch/config 读取：当前公开 Janus-Pro config 的 cfg_scale 是 5.0、N 是 4、默认 method 是 gridar_two_step；不要把论文中 LlamaGen 的 6.5 误套到 Janus-Pro。第二，released code 中最终 ORM ranking 使用 Qwen2.5-VL，verification/refinement 默认 GPT-4.1；如果替换成 MiniCPM-V 或 GLM-4V，需要确认 prompt format、API latency 与 batch grid 输入一致。第三，当前仓库 commit 只清楚发布 Janus-Pro 与 EditAR 子项目，论文表里的 LlamaGen 结果需要额外代码或作者配置才能完全复现。

总体而言，GridAR 的实证结论是：在视觉 AR 生成中，test-time scaling 的关键不是“完整图多采样几次”，而是“在局部还可纠正时识别坏分支，并把已经确定的局部状态转化为后续布局条件”。这种分段式 scaling 比 BoN 更像搜索算法，也为后续把 verifier、planner、reward model 融合到图像 AR 推理提供了一个清晰模板。