语言领域的自回归（AR）模型看似一统江湖，但是视觉领域还没有范式让大家的 “Scaling Law” 可以跨越更多任务、更多应用。前几天 Gemini 和 GPT 发布的图像编辑功能验证了视觉自回归的潜力，但是它距离语言领域的 “GPT 时刻” 到底还有多远？