该文综述非自回归序列生成研究，通过离散潜变量、CTC、CRF及分块并行解码提升解码速度，在机器翻译和图像字幕任务中比自回归快数倍至一个数量级，质量接近或略低；并提出视觉句子建模，无需语言数据即可训练大规模视觉模型。