**dNaViT：离散代码成为通用视觉表征，实现多模态统一框架**

_dNaViT: Discrete Codes are General-Purpose Visual Representations_

> 该研究提出了 dNaViT，一种基于冻结预训练编码器的离散原生分辨率视觉 Transformer。它利用轻量级残差调制和分组乘积量化技术，在不增加序列长度的情况下扩展离散容量，成功将视觉信息转化为类似语言 token 的离散视觉原语。实验表明，dNaViT 在多项视觉理解与生成基准测试中表现优异，证明了紧凑的离散词汇表可作为通用视觉货币，推动视觉与语言模型向统一框架融合。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-11-11 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.12426)