**离散视觉 Token 可实现无损语义表示：因子化向量量化突破连续模型上限**

_Can Discrete Tokens Serve as Semantically Lossless Representations of Visual Signals?_

> 研究挑战了“量化必然导致语义损失”的传统假设，提出因子化向量量化（Factorized Vector Quantization）方法。该方法通过对视觉特征进行互补维度的并行量化，有效缓解了现有量化器的饱和问题。实验表明，该模型在工业级多模态数据上训练，其理解性能不仅超越了 UniAR 和 Emu3-Chat，更首次在与 Qwen3-VL 等强连续表示模型竞争时表现优异，证明了离散视觉表示构建大规模原生多模态基座模型的潜力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-10-28 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.37662)