Hugging Face · 每日论文· 媒体 / 作者来源·精选
离散视觉令牌能否作为视觉信号的语义无损表示？
原文标题
Can Discrete Tokens Serve as Semantically Lossless Representations of Visual Signals?
AI 导读
研究挑战了量化误差必然导致语义损失的假设，发现离散视觉表示在更大的位预算下持续改进，最终在多模态理解上达到与连续表示相当的水平。提出的因子化向量量化方法(FVQ)在工业级多模态数据训练后，在离散表示模型中取得最先进性能，超越UniAR和Emu3-Chat分别达22.8%和59.2%，并首次在细粒度OCR任务上与强连续表示模型如Qwen3-VL竞争。
来源：Hugging Face · 每日论文 · arxiv.org
导读与选稿说明
首次证明离散视觉表示在多模态理解上可匹敌连续表示，并提出因子化向量量化方法突破性能瓶颈。
导读由模型辅助整理，非独立核验。完整信息见原文。