2026/01/10
Transformers AR 阶段深度解析：256→4K Token 是什么？
GLM-Image 自回归生成图像 token——从约 256 个 token 开始，扩展到 1K–4K。这对布局、排版和控制意味着什么。
两阶段 token 计划
GLM-Image 的 AR 生成器（从 GLM-4-9B-0414 初始化）产生：
- 紧凑编码（~256 个 token）
- 然后扩展到 1K–4K 个 token 对应高分辨率输出（GitHub）
可以理解为：大纲 → 详细蓝图。
为什么 token 扩展有助于排版
排版需要：
- 字母间笔画一致
- 单词间间距一致
- 块间对齐一致
“蓝图”阶段可以为文本块预留空间并保持层次结构（标题 > 副标题 > 正文）。
作为用户可以控制什么
大多数工作流中你不会直接编辑这些 token。但你确实通过以下方式影响它们：
- 明确的布局指令
- 清晰的层次语言
- 引号中的精确文本（GitHub）
- 限制每个块的合理长度
"对 token 友好"的布局提示词
使用编号块强制结构：
海报布局包含四个区域： (1) 顶部标题："[标题]" (2) 副标题："[副标题]" (3) 中心图像：[描述主体] (4) 页脚栏："[CTA]" 和 "[URL]" 使用干净对齐、一致字距、无错字。
当 AR "跑偏"时的调试
如果模型添加了额外文字：
- 减少创意性形容词
- 重新强调"恰好这段文字且没有其他"
- 缩短每块文本
