arXiv 论文探究离散视觉 Token 语义表征，提出因子化矢量量化机制

Can Discrete Tokens Serve as Semantically Lossless Representations of Visual Signals? 论文重新审视了离散视觉 token 因量化误差导致语义必然损失的传统假设，发现量化误差并非决定多模态理解表现的核心，有效位预算更为关键。为缓解现有量化器在码本扩充时的饱和问题，作者提出了因子化矢量量化（FVQ）机制，在工业级多模态数据上训练后，在 9 项评测指标上大幅超越 UniAR 等离散模型，并在细粒度 OCR 等任务上比肩强连续表征模型。