西乔 XiQiao(@recatm):谢赛宁团队+ Adobe research +ANU 的 RAEv2 出啦，搞视觉重建/扩散模型/原生多模态/语义对齐/图像生成/世界模型的同学们值得关注： RAE 是非常重要的一个研究，改进了重建和引导生成，同时保留了Representation space的全局语义。这使得它能够取代VAE为理解和生成提供一个更优雅的 unified tokenization 方案。 RAEv2 的 3个研究发现： 1. 不只取 Pretrained vision encoders 最后一层，而是把最后 K 层特征相加作为潜在表征。RAE 输出是最后 KK 个编码器层的总和。原始 RAE 在 K=1K=1 处恢复。这个方法同时提高生成和理解，不增加额外推理成本，明显提升图像重建质量。 2. RAE 和 REPA 表现出可以互补的工作机制。 RAE 更擅长提供全局语义，例如图像里有什么； REPA 更擅长保留空间结构，例如物体在什么位置、局部关系如何。 RAEv2 的实验显示，在 27 个编码器上，两者结合通常优于单独使用。这种互补性使得同一预训练表征既可用作encoder（RAE），也可用作target for intermediate diffusion features（REPA） 3. REPA 能实现self-guidance。 REPA 在 RAE 框架中相当于一个更弱的 x 预测器。通过将输出头也重新表述为 x 预测，REPA 头本身可以用于内部引导。，不需要额外训练弱模型 AutoGuidance，也不增加推理时的前向计算 CFG。

2026.05.21 13:39

谢赛宁团队+ Adobe research +ANU 的 RAEv2 出啦，搞视觉重建/扩散模型/原生多模态/语义对齐/图像生成/世界模型的同学们值得关注： RAE 是非常重要的一个研究，改进了重建和引导生成，同时保留了Representation space的全局语义。这使得它能够取代VAE为理解和生成提供一个更优雅的 unified tokenization 方案。 RAEv2 的 3个研究发现： 1. 不只取 Pretrained vision encoders 最后一层，而是把最后 K 层特征相加作为潜在表征。RAE 输出是最后 KK 个编码器层的总和。原始 RAE 在 K=1K=1 处恢复。这个方法同时提高生成和理解，不增加额外推理成本，明显提升图像重建质量。 2. RAE 和 REPA 表现出可以互补的工作机制。 RAE 更擅长提供全局语义，例如图像里有什么； REPA 更擅长保留空间结构，例如物体在什么位置、局部关系如何。 RAEv2 的实验显示，在 27 个编码器上，两者结合通常优于单独使用。这种互补性使得同一预训练表征既可用作encoder（RAE），也可用作target for intermediate diffusion features（REPA） 3. REPA 能实现self-guidance。 REPA 在 RAE 框架中相当于一个更弱的 x 预测器。通过将输出头也重新表述为 x 预测，REPA 头本身可以用于内部引导。，不需要额外训练弱模型 AutoGuidance，也不增加推理时的前向计算 CFG。