软件介绍

足球在哪里可以买滚球下载使用指南

第一步：导入文件

打开软件
，点击"?增长 足球在哪里可以买滚球下载"按钮
，从电脑当选择《足球在哪里可以买滚球下载》文件
，或直接将其拖拽至软件界面中。

第二步：配置解析

软件会自动鉴别并解析导入的文件
，您可凭据界面提醒选择所需的保留蹊径或下载体式。

第三步：起头下载

确认无误后
，点击"起头下载/处置"按钮。期待进度条读取结束
，即可在设定的文件夹中查看下载好的正版文件。

刚刚
，谢赛宁团队放出第二代表征自编码器
，足球在哪里可以买滚球下载

编纂｜Panda

AI 图像天生通常遵循「能力越强、价值越高」的铁律；与此同时
，学界却在偷偷质疑另一个更底子的浪费：传统 VAE 对图像语义险些一问三不知
，而 DINOv2、SigLIP 等视觉编码器早已从数亿张图片中习得了丰硕的视觉学问。图像天生模型
，真的必要从零起头「发现」对图像的理解吗
？

2025 年 10 月
，纽约大学谢赛宁团队提出了「表征自编码器（Representation Autoencoder
，RAE）」框架
，初次系统性地将预训练视觉编码器引入扩散模型的潜在空间。参阅k8凯发天生赢家报路《VAE 时期终结
？谢赛宁团队「RAE」登场
，表征自编码器或成 DiT 训练新基石》。

这项成就在学界引发强烈反映
，但同时也露出出三个故障实用落地的主题问题：重建质量不如专用 VAE、无法共同传统疏导机造、训练收敛极慢。

五个月后
，统一团队携手 Adobe Research 与澳大利亚国立大学
，带来了全面改进的RAEv2

论文标题：Improved Baselines with Representation Autoencoders论文地址：https://arxiv.org/abs/2605.18324v1项目页面：https://raev2.github.io

为什么 VAE 是瓶颈
？

要理解这项工作的意思
，先要理解 VAE 是什么
，以及它为什么起头成为瓶颈。

设想一家大型图书馆。图书馆的索引系统（VAE 编码器）掌管将每一本书压缩成一张卡片
，存入一个巨大的卡片柜（潜在空间）。扩散模型在这个卡片柜里工作：从一堆杂乱的卡片启程
，一步步「去噪」
，最终还原出一张清澈的卡片
，再由解码器将卡片还原成齐全的书。

问题在于传统的索引卡片（VAE 潜在空间）纪录的是书的物理特点
，好比厚度、色彩、字体大幼。但模型真正必要的
，是书的内容和寓意。扩散模型每次从噪声启程
，都要自己重新学会「这是一只猫」、「这是一棵树」
，效能极低。

预训练视觉编码器（DINOv2 等）则截然分歧。它们的索引卡片纪录的是语义：这本书讲的是什么主题、出现了哪些人物、场景的空间结构若何。若是扩散模型能在这样的潜在空间里工作
，就相当于站在了巨人的肩膀上
，不必要反复进建「视觉学问」。

RAE 正是这样的系统：以预训练编码器为图书馆的索引系统
，训练一个解码器来还原图像。但第一代 RAE 的问题
，是这套索引卡片只纪录了「书的最后一章提要」
，迷失了大量中央层的细节信息。

三个洞察
，一次系统性升级

RAEv2 的工作主题是三个独立但相互支持的技术洞察。

洞察一：最后一层不是全数。

原始 RAE 直接使用视觉编码器最后一层的输出作为潜在表征。但预训练编码器的知识并非只集中在最后一层 —— 就像一个专家的齐全知识系统
，不只存在于他最后的结论里
，也散布在他的推理过程中。

RAEv2 提出了一个极其简洁的解法：将编码器最后 K 层的特点直接相加
，作为潜在表征。这个操作不引入任何新参数
，不必要额表训练数据（好比文字某人脸）
，却让图像重建质量产生了质的飞跃。当 K 从 1（原始 RAE）增长到 23（全数层）时
，重建误差（rFID）从 0.60 骤降至 0.18
，峰值信噪比从 18.93 dB 提升至 27.03 dB。

洞察二：RAE 和 REPA 其实是互补的
，不是竞争关系。

这是整篇论文最出乎意料的发现。

学界此前普遍以为：既然 RAE 已经把预训练编码器的特点直接用作潜在空间
，就没必要再用 REPA（表征对齐损失
，将统一批编码器特点蒸馏到扩散模型的中央层）—— 那不是多此一举
，让统一个信号走两条路吗
？

钻研团队横跨 27 种视觉编码器进行了大规模尝试
，了局令人惊讶：无论哪种编码器
，REPA 和 RAE 同时使用时
，成效都优于单独使用任一方。

更有趣的是
，两者改善的是分歧维度。RAE 提供的是「全局语义」
，好比模型知路图里有只猫；REPA 提供的是「空间结构」
，好比模型知路猫在图像左上角、眼睛在鼻子上方。前者对应语义信息（用线性探针正确率 LP 衡量）
，后者对应空间自类似性（用 LDS 衡量）。在 27 个编码器的有关性分析中
，这一互补机造得到了严格统计验证
，皮尔逊有关系数别离达到 -0.81（RAE 依赖 LP）和 -0.89（REPA 依赖 LDS）。

这一发现还诠氏缢为什么更强的编码器 DINOv3-L
，在第一代 RAE 里反而阐发不如 DINOv2-B；由于原始 RAE 只利用了语义维度
，而 DINOv3-L 的优势刚好在于两个维度都强
，RAE+REPA 能力充分阐扬它的潜力。

洞察三：「疏导」其实一向藏在模型里。

这是最优雅的一个技术贡献。

图像天生模型在推理时
，通常必要一种叫做「疏导」（Guidance）的机造来提升图像质量 —— 性质是让模型在「有前提」和「无前提」两个状态之间做差值
，从而强化指标特点。原始 RAE 无法使用尺度的分类器自由疏导（CFG）
，只能训练一个额表的「弱版扩散模型」来充任疏导基线（AutoGuidance）
，这不仅增长了训练成本
，推理时也必要额表一次前向推算。

RAEv2 观察到一个关键性质：REPA 在 RAE 框架下
，性质上是在做「x 预测」（预测干净的图像表征）
，而 REPA 头只能接见模型的浅层特点
，天然是一个「更弱的版本」。将主模型输出也改写为 x 预测体式
，就能够直接用 REPA 头作为疏导基线。这样就无需额表训练任何模型
，无需额表前向推算
，疏导齐全「免费」。

RAEv2 的阐发若何
？

三个洞察组合在一路
，形成了 RAEv2
，带来了可量化的全面改进。

在图像天生质量（ImageNet-256
，以 gFID 衡量
，越低越好）上
，RAEv2 在仅 80 个训练 epoch 后达到 1.06。

以 FDr?这一更严格的评估指标衡量
，RAEv2 以 80 epoch 达到 2.17
，超过了原始 RAE 的最佳成就 3.26—— 后者必要十倍训练时长且依赖后处置。

钻研团队为此引入了一个新的效能指标：EPFID@k
，即「达到无疏导 gFID ≤ k 所需的训练 epoch 数」。这个指标的意思在于：绝对 gFID 数值的微幼差距在现实利用中险些感知不到
，但训练效能的差距直接决定了谁能更快迭代、更低成本尝试。

RAE 的 EPFID@2 为 177 epoch
，RAEv2 将其压缩到了 35 epoch—— 收敛速度超过 5 倍
，若与早期步骤比力则达 10 倍以上。

在推算成本上
，RAEv2 维持与第一代 RAE 齐全一样的 189 GFLOPs
，而 FLUX.1 等顶技易模型必要 448 GFLOPs。以不到一半的算力
，达到超过所有同类系统的天生质量。这是 RAEv2 最直接的工程价值。

在重建质量上
，只管只在 ImageNet 上训练
，RAEv2 的还原成效已可与 FLUX VAE、SDXL-VAE 等在大规模多样化数据集上训练的专有模型相媲美。

超过图像分类：更广的合用性

RAEv2 并未局限于 ImageNet 尝试。论文还验证了其在两个方向上的泛化能力。

在文本生图方向
，使用 SigLIP-2 作为编码器的 RAEv2
，在文本生图基准上展示出与 ImageNet 尝试一致的改进趋向
，收敛速度显著快于基于 VAE 的对譬喻法。

在导航世界模型方向 —— 即 AI 通过视觉预测将来帧的工作场景 ——RAEv2 同样带来了一致的机能提升
，证明这一框架并非专为图像天生设计的特殊技巧
，而是拥有跨工作通用性的基础步骤。

一个更大的赌注

RAEv2 所指向的不只是「更快的图像天生」。

在传统的图像 AI 体下凤
，「理解图像」和「天生图像」是两条平行的轨路：前者用 DINOv2、CLIP 等判断式模型
，后者用 Stable Diffusion、FLUX 等天生式模型
，两者共享的只有训练数据
，而非知识系统。

RAE 框架的主题赌注是把这两条轨路归并。若是天生模型直接在视觉理解模型的语义空间里工作
，那理解和天生就共享统一套「视觉说话」
，将来的统一多模态模型将具备直接在天生的图像潜在表征上进行推理的能力。

从一个单纯的「更快收敛」的工程改进启程
，RAEv2 不经意间指向了一个更宏观的问题：下一代多模态 AI 是否该当从底子上统一「看」与「画」的底层表征
？

这个问题
，也许比 gFID 数字自身更值得关注。