本研究提出了VTBench评估基准，针对自回归图像生成中离散视觉分词器（VT）性能不足的问题。研究表明，连续变分自编码器（VAE）在图像重建、细节保留和文本保留方面优于离散VT，强调了改进VT的重要性。

本研究提出了ZipAR框架，旨在提高自回归图像生成的效率。通过利用图像的局部结构，ZipAR能够在一次前向传播中并行解码多个相邻区域，实验表明可减少91%的前向传播次数。