离散视觉 token 能否成为视觉信号的语义无损表示？

这项研究表明，因子化向量量化可让离散视觉 token 在多模态理解上追平连续视觉表示，更大的量化误差也可能对应更好的理解表现。研究将有效 bit 预算识别为下游性能的关键因素，其模型在九项指标均值上较 UniAR 和 Emu3-Chat 分别领先 22.8% 和 59.2%，并在细粒度 OCR 任务上具备与 Qwen3-VL 等连续表示模型竞争的能力。