MAGNeT是一种新型音频生成方法，利用非自回归变换器通过遮蔽令牌预测音频，并引入再评分技术以提升音质。该方法在文本转音乐和音频生成任务中表现高效，速度比自回归方法快7倍。

Meissonic模型是一种非自回归的遮掩图像建模技术，用于高效的文本到图像合成。相比传统扩散模型，Meissonic通过架构创新和优化，实现高质量图像生成，展示了MIM技术的潜力。

本文介绍了一种新型语音识别架构——混合自回归推理转导器（HAINAN），通过非自回归生成初始假设，再用并行自回归细化，提高效率和准确性。实验显示，HAINAN在多语言数据集上表现优异，是实际应用的理想选择。

ProNet是一种新的深度学习方法，专为多时间段时间序列预测而设计。它自适应地融合了自回归和非自回归策略，使用潜在变量进行分段，通过变分推断有效地捕捉了各个时间步骤的重要性。相较于自回归模型，ProNet具有明显优势，可减少自回归迭代次数，预测速度更快，减少误差累积。与非自回归模型相比，ProNet提高了预测准确性。经过全面评估和消融研究，ProNet在准确性和预测速度上优于最先进的自回归和非自回归预测模型。

ProNet是一种新的深度学习方法，用于多时间段时间序列预测。它融合了自回归和非自回归策略，使用潜在变量进行分段，并通过变分推断捕捉各个时间步骤的重要性。ProNet比自回归模型更快，减少了误差累积，比非自回归模型更准确。经过评估和消融研究，ProNet优于最先进的预测模型。

本文提出了一种基于局部时空分离的Transformer块，用于视频未来帧预测，并构建了全自回归和非自回归视频预测Transformer框架。同时，引入对比特征损失来监督模型预测过程。该模型在性能上与更复杂的现有模型竞争力相当。

该论文提出了一种使用UMA的非自回归自动语音识别方法，可以缩短序列长度，降低识别错误和计算复杂度。实验证明UMA在非自回归方法中表现出优越或可比较的性能，并且通过将自条件CTC集成到该方法中，性能可以进一步提高。