像教人做速记：若一开始只要求逐字还原，记号可能很精确，却未必方便拿来续写。潜生成模型也有类似矛盾。标准做法先训练变分自编码器（VAE——把图片压成潜变量、再还原图片的模型），随后冻结它，再训练生成器。GenFirst则把重点调换：先用生成目标塑造潜空间——图片压缩后的内部数字表示，再逐步加强重建，让模型补回视觉细节。
关键不只是“先后顺序”。作者分析认为，重建学得快、监督信号强，生成却更慢、更难；两者同时用力时，重建容易抢先主导。论文还指出，KL 散度目标中的熵项——维持潜变量不确定性的部分——是避免潜变量坍塌的关键，否则不同图片可能被挤进相似表示。作者称，这套方法实现了不发生坍塌的直接端到端训练；在 ImageNet-256 上，SiT 配合 CFG（生成时强化条件约束的引导方法）取得 0.97 gFID，不用 CFG 时为 1.45。结果来自论文自述，尚不能单凭这些数字判断它在更多数据和模型上的稳定性。