离散视觉token能否作为视觉信号的语义无损表示？

研究表明离散视觉token在多模态理解中可达到与连续表示相当的性能，甚至超越现有模型。研究团队引入Factorized Vector Quantization方法，在工业级多模态数据上训练的模型在九项指标平均上超过UniAR和Emu3-Chat，成为首个可与Qwen3-VL等连续表示模型竞争的离散表示模型。