文章核心观点 - 进入顶尖AI实验室（如OpenAI、Anthropic、Google DeepMind）的研究路径并非唯一，也非完全封闭，传统学术背景（如博士学位、顶会论文）并非绝对必要条件 [2][25][28] - 通过个人努力和巧妙策略，如主动展示能力、进行有影响力的独立项目、在开源社区贡献深度想法、改进现有工作等，即使缺乏传统学术履历，也能获得机会 [2][9][29] - 当前是AI研究领域的特殊时代，从业者不仅能积极引导重要科技发展方向，还能获得不错的报酬 [26] 进入顶尖AI实验室的非传统路径案例 - **Keller Jordan**：从改进他人论文开始，通过“冷接触”谷歌研究员Behnam Neyshabur并合作完成ICLR论文，随后其发起的NanoGPT speed run项目（基于124M参数Transformer模型，优化训练以达到特定验证损失目标并最大化token利用效率）因公开文档化所有工作而在社区引起广泛关注，最终获得OpenAI青睐 [3][4][5][6][7] - **Sholto Douglas**：利用业余时间进行独立研究，通过在JAX的GitHub上提出深刻问题引起谷歌工程师James Bradbury注意，从而获得Google DeepMind面试机会，并成为Gemini成功背后的关键人物之一 [9][10][11] - **Andy L. Jones**：作为半退休量化交易员，自行发表论文《Scaling Scaling Laws with Board Games》，该论文在测试时计算流行之前，比较了预训练规模和测试时计算规模的影响，展示了MCTS训练计算量与推理计算量之间的权衡（增加10倍MCTS步骤几乎等同于10倍训练量），其工作因设计聪明、实验严谨而获得认可，并成功加入Anthropic [14][15][17][19] - **Kevin Wang**：作为本科生，凭借导师强烈推荐和一篇高质量的NeurIPS 2025第一作者论文（从5290篇投稿中脱颖而出成为仅有的4篇最佳论文之一）获得OpenAI招聘机会，突显了高质量工作和强力推荐的作用 [20][21][22][23] 行业招聘趋势与人才观 - AI研究领域越来越封闭，公开项目减少，但“改进他人已发表的工作”仍是展示个人能力的有效方式 [6] - 真正改变AI的人才可能不活跃于社交媒体或频繁发表论文，而是隐藏在组织深处进行核心构建 [13] - 论文质量远比发表场所重要，顶尖实验室招聘者看重解决问题的能力、研究深度、巧妙的设计选择和严谨的实验 [17][19] - 行业中存在从非博士人群中招聘的趋势，例如Stability AI的80名研究者和工程师中只有16人拥有博士学位，许多人直接从X（原Twitter）等平台被招聘 [28] - 导师或业内人士的推荐在评估研究者潜力时起到重要作用，因为仅凭简历或论文难以判断 [23]

编辑｜杨文 你的童年我的童年好像不一样。 我的 17 岁，是坐在教室里苦哈哈地刷数学卷子；而这个名叫 Enrique Barschkis 的高中生，利用课间休息时间，成功解决了困扰数学家多年的埃尔德什第 347 号问 题。 这一成就不仅在社交平台 X 上引发热议，更得到了谷歌首席科学家 Jeff Dean 的盛赞。 什么是埃尔德什第 347 号问题？ 埃尔德什第 347 号问题，最初由埃尔德什和格雷厄姆在 1980 年提出，核心问题是：是否存在一个整数序列，其中相邻项的比值趋近于 2，并且对于该序列的任何 余有限子序列，其有限子集和构成的集合在自然数中的密度都是 1？ 这个问题触及了数论中完全序列理论的核心，其难度在于需要在严格的增长率限制下，保证几乎所有足够大的正整数都能表示为序列中某些项的和。 去年 10 月，著名数学家、菲尔兹奖得主陶哲轩在 Erdős 问题网站的讨论区里，用 ChatGPT 搜索相关文献，找到了一篇 Burr 和 Erdős 的旧论文。 然而数学家沃特很快发现，那篇论文中的结果使用的是相邻两项的比值条件，与本问题要求的相邻项比值条件略有不同。 陶哲轩提出了一个巧妙的构造思路：将序列分成 ...

文章核心观点 - 清华大学深圳国际研究生院丁文伯团队联合无界智航（Xspark AI）及多所国内外科研机构，受鸽子感知系统启发，研发出仿生多模态触觉传感器SuperTac，并构建了8.5B参数的触觉语言模型DOVE，实现了触觉信号从底层感知到高层语义推理的突破，标志着机器人触觉感知向“人类水平”迈出关键一步 [2] 一、仿生逻辑：从鸽子眼球到多模态感知架构 - SuperTac的硬件设计灵感源于鸽子复杂的感知系统 [7] - 传感器集成了小型化多光谱成像模块，覆盖紫外（390 nm）、可见光（400–700 nm）、近红外（940 nm）及中红外（5.5–14.0 μm）的超宽频段，使机器人能同时解析热辐射、荧光位移等深层物理信息，全面表征物体形状、纹理、颜色和温度 [10][11] - 传感器在1 mm厚的皮肤内嵌入了摩擦纳米发电机（TENG）和惯性测量单元（IMU），TENG可根据物体电负性差异识别材质（准确率95%），并实现15 cm内的接近觉感知；IMU可捕捉0–60 Hz的振动及碰撞信号 [12] 二、核心机制：光场调制的「智能感知层」 - SuperTac的核心是厚度仅为1 mm的光场调制多层感知皮肤，最外层采用透明PEDOT:PSS导电层，通过涡旋线电极设计实现均匀电学信号，结合摩擦起电机制实现高精度材质分类与接近觉探测 [14] - 皮肤内的单向透视反射层充当光学开关，通过调节内外光强差，使传感器能在“触觉模式”下捕捉表面微观纹理与形变，或在外部光源下直接获取物体RGB颜色信息 [16] - 紫外荧光标记层利用在紫外光下激发的荧光标记，实现了形变监测与物体纹理检测的解耦，确保能同步捕捉切向滑动与表面细节 [16] 三、触觉语言大模型：8.5B参数背后的多模态融合架构 - 触觉语言模型DOVE采用分层架构，底层骨干由预训练的大语言模型Vicuna构成，提供语言理解与逻辑推理基础 [19] - 系统并行集成了四组预训练的CLIP模型作为模态编码器，将图像化的触觉特征（颜色、纹理、温度、材质信号）提取为深层特征向量 [19] - DOVE通过三阶段策略训练：首先用CLIP将异构传感器信号转化为通用图像表征；随后通过投影层将触觉特征对齐至语言模型空间；最后对Vicuna骨干网络进行微调，使其能结合常识对触觉指令进行复杂推理 [20] 四、应用场景：从物理触碰到语义逻辑的跃迁 - SuperTac与DOVE结合，实现了从“物理感知”向高层“语义认知”的跨越，赋予机器人类人的具身交互能力 [22] - 在基础识别维度，DOVE能实时融合多模态数据，为物体建立全方位“物理画像”，例如将未知杯子的感官印象转化为“黄色，室温，表面具有规律排布的凸起纹理，判定为金属材质”的语言描述 [24] - 在高层级应用上，DOVE能将实时触觉反馈与大模型常识结合，推断物体潜在功能并做出逻辑决策，如在垃圾分拣任务中，根据触觉特征推论物体为“废弃的塑料饮料瓶”并建议放入可回收垃圾桶 [26] 五、未来方向 - 硬件方面，未来将通过传感器微型化、低功耗芯片及高集成封装，提升机器人手内操作的灵活性并解决高负载下的散热稳定性难题 [28] - 认知层面，将依托DOVE模型的模态无关框架，通过优化传感器配置与专用数据集来持续增强系统的泛化能力，为实现自然、高效的人机交互奠定基础 [28]

谷歌Arts & Culture项目的核心定位 - 谷歌Arts & Culture实验项目体现了“无用之用，方为大用”的理念，这些项目不追求直接商业价值，而是代表了公司的人文坚守[3][8] - 这些项目旨在用技术消解艺术与大众之间的隔阂，探索技术与文化结合的可能性，让更多人能以自己喜欢的方式接触艺术[50][51] - 项目不向用户收费，也不在网站上直接投放广告，既不产生利润，也不符合典型的增长逻辑，其意义在于抵达更深远的意义[51][54] 2025年新项目介绍 - **Botanic Atlas**：一个交互式世界植物地图，收录了超过3万种植物的标本，用户可以查看分布并了解相关知识[9] - **Learning Light**：一个虚拟灯光工作室，通过教程和互动工具展示光线运用及照明原理，探讨光在艺术和设计中的应用[11] - **Sparky**：该项目将日常物品拼成创意发明，并由AI生成可视化原型[11] Art Palette工具功能 - 用户上传照片或选择五种颜色，系统会从全球1500多家文化机构的藏品中，找出颜色匹配的艺术作品[13] - 该工具基于计算机视觉算法对作品色彩进行精确提取，并通过机器学习模型进行智能色彩映射，匹配准确度高，能揭示不同时代艺术作品间的隐秘色彩联系[22][24] - 该工具可与其他项目联动，例如通过“PoemPostcard”按钮跳转，由AI从6种诗歌形式中选择并自动生成诗歌，或通过“ArtRemix”按钮，利用Imagen模型根据文字提示生成画作的新版本[25][26] 游戏化艺术体验项目 - **Don't Touch the Art**：一款反讽“请勿触摸艺术品”规则的游戏，玩家扮演在画廊中自由落体的人，需躲避艺术品下落，游戏与华盛顿国家美术馆合作，包含达芬奇等大师作品，以游戏化方式完成艺术教育[31][32][34] - **One Sound, Two Frames**：一个探索视听联觉的游戏，播放一段AI生成的音乐，让用户从两幅画作中选出灵感来源，系统使用AI分析画作，通过Gemini将视觉描述转化为音乐描述，再由Lyria生成音乐[37][40] - **Musical Canvas**：一个“给画配乐”的工具，用户在数字画布上涂鸦，Gemini会即时评价作品，然后用MusicLM生成匹配的配乐，用户还可添加“像素化”或“老电影”等视觉滤镜来改变音乐风格[43][46][47] 技术实现与艺术融合 - 多个项目深度整合了谷歌的AI技术，如计算机视觉、Gemini、Imagen、MusicLM和Lyria，用于色彩匹配、诗歌生成、图像重制及音乐创作[22][26][40][46] - 这些实验项目模糊了视觉艺术与听觉艺术的边界，AI能够捕捉画作的“情绪”和“氛围”并转化为音乐语言，体现了艺术阐释的开放性[41] - 项目设计注重互动与不可预测性，让用户在没有专业基础的情况下也能体验创作乐趣，并在此过程中不自觉地关注艺术细节[35][48]

文章核心观点 - 强化学习微调扩散模型时面临“两难困境”：追求高奖励会导致图像质量崩坏，而引入KL正则化又会阻碍模型探索和收敛 [2] - 研究团队提出全新框架GARDO，通过门控自适应正则化和多样性感知优化，成功在防止奖励黑客攻击的同时，实现了高效的样本探索和多样性生成 [2] - GARDO框架基于三个核心洞察：正则化不需要“雨露均沾”、静态参考模型会限制优化上限、以及需要鼓励多样性生成以防止模式坍塌 [14][17][18] - 实验表明，GARDO在多个基底模型和任务上实现了全方位的性能提升，包括拒绝黑客攻击、提升样本效率和泛化性，甚至激发了模型的涌现能力 [20][22][24] 背景与动机：RL后训练中的陷阱 - 在视觉任务中，定义一个完美的奖励函数极其困难，通常使用代理奖励，这导致了典型的奖励黑客攻击问题 [5] - 当模型过度优化代理奖励时，会找到奖励模型的漏洞，导致代理分数极高但生成的图像质量崩坏，充满噪点、伪影并失去真实感 [5] - 传统的KL正则化方法会带来两个主要问题：样本效率低，以及阻碍模型探索参考模型未发现的高奖励区域 [9][10] GARDO框架的核心方法 - **门控KL机制**：仅对高不确定性样本施加惩罚，实验发现仅惩罚约10%的高不确定性样本即可有效防止奖励黑客攻击，让其余90%的样本自由探索 [14][21] - **自适应正则化目标**：定期更新参考模型，将其重置为当前策略，这为模型设立了动态更新的“锚点”，既保证训练稳定性，又允许模型持续进化 [17][21] - **多样性感知优势重塑**：利用DINOv3提取特征计算样本在特征空间中的稀疏度作为“多样性分数”，并将此分数以乘法形式作用于正向优势函数，以鼓励多样性生成并防止模式坍塌 [18] 实验结果：定量评估 - 在OCR任务上，GARDO在保持高识别率的同时，图像质量指标没有下降甚至有所提升 [22] - 学习曲线显示，GARDO能够以更少的步数达到更高的奖励水平，样本效率更高 [22] - 在未见过的测试指标上，GARDO表现出极强的鲁棒性 [22] - 具体数据：在SD3.5-M基底模型上进行OCR任务训练600步后，GARDO方法在Aesthetic Score上达到0.65，OCR识别率达到0.92，PickScore达到5.07，ImgRwd达到22.41，ClipScore达到0.92 [23] - 在GenEval任务训练2000步后，GARDO在Aesthetic Score上达到0.95，GenEval Score达到0.68，PickScore达到5.09，ImgRwd达到22.34，ClipScore达到0.95，HPSv3达到9.27，Diversity达到24.95 [23] 涌现能力 - 在极具挑战性的“数数任务”中，基底模型和传统RL方法很难生成超过9个物体 [25] - GARDO成功学会了生成10个甚至11个物体 [25] - 具体数据：在Counting 10任务上，GARDO的成功率达到0.38，显著高于GRPO方法的0.28；在Counting 11任务上，GARDO成功率为0.18，也高于GRPO的0.15 [26] 总结与意义 - 这项工作证明，在视觉生成的强化学习中，精准的控制比强力的约束更重要 [27] - GARDO为希望利用RL进一步释放扩散模型潜力的研究者和开发者提供了一个极具价值的通用框架 [27] - 框架的核心可总结为：拒绝盲目正则化、拒绝静态锚点、拒绝模式坍塌 [29]

从模型重编程（Model Reprogramming），到参数高效微调（PEFT），再到当下大模型时代的 Prompt Tuning ，Prompt Instruction 和 In-context Learning，研究者和 从业人员不断地探索一个核心问题： 在尽量不改动模型参数的前提下，如何最大化地复用预训练模型的能力 ？ 过去几年，这类方法在不同社区中以各自独立的形式快速发展 —— 有的来自对抗鲁棒性与迁移学习，有的服务于下游任务适配，有的则成为大模型对齐与应用的 基础工具。然而，这些看似分散的技术路线，背后是否存在一个更统一、更本质的理论视角？ 近期，来自墨尔本大学可信赖机器学习与推理（TMLR）研究小组和 IBM AI 研究所的研究者系统性地提出了「 神经网络可重编程性（Neural Network Reprogrammability） 」这一统一主题，在最近的一篇 survey 中，将模型重编程，Prompt Tuning、Prompt Instruction 和 In-context Learning 纳入同一分析框架，从 操纵位置、操纵类型、操纵算子和输出对齐四个维度进行了系统梳理与对比。同时 ...

公司核心方向与技术愿景 - 公司核心方向是开发“世界模型”，旨在构建能够理解现实世界的智能系统 [1] - 世界模型是一种能够准确反映现实动态的新型人工智能架构，旨在解决当前大模型在处理真实世界感知数据时的根本性挑战 [2] - 该模型将不再执着于逐像素生成现实，而是学会对真实世界传感器数据进行抽象建模，过滤掉不可预测的噪声，并在更高层次的表征空间中进行预测与推理 [2] 世界模型的关键能力与应用领域 - 世界模型应同时具备四项关键能力：理解真实世界、拥有持久记忆、能够进行推理与规划、以及可控且安全 [5] - 公司进一步提出“带动作条件的世界模型”，该模型能够预估智能体采取行动后的结果，并在安全约束内规划行动序列以完成任务 [3] - 其目标不仅是理解世界，更是让AI能够在真实世界中可靠地行动 [4] - 应用方向高度聚焦于对可靠性、可控性和安全性要求极高的领域，包括工业流程控制、自动化系统、可穿戴设备、机器人与医疗健康等场景 [4][18] 对现有AI范式的批判与替代路径 - 公司创始人Yann LeCun对现有大语言模型的发展持怀疑态度，认为仅靠预测下一个token的生成式模型无法真正做到理解现实世界 [2] - LeCun批评大语言模型依赖next-token预测的方式本质上是在猜答案，而真正的智能应建立在目标驱动与能量最小化的机制之上 [8] - 他认为，如果一个系统无法提前预测自身行为可能带来的后果，就无法构建真正的智能体系统 [11] - 公司被视为对大语言模型的一种逆向投资，旨在解决LLM的局限性（如幻觉问题），尤其是在医疗等高风险领域 [17] 行业背景与竞争格局 - 构建连接AI与现实世界的基础模型，已成为AI领域最令人兴奋的探索方向之一，正吸引顶尖科学家和资金雄厚的投资者持续加码 [13] - 由AI先驱李飞飞创立的World Labs在推出首款产品Marble后估值飙升，据报道正在洽谈新一轮融资，估值达50亿美元 [13] - 整个AI行业几乎被大语言模型所占据，很少有公司敢于走一条不同的路 [9] - Meta选择了全面押注大语言模型，这与LeCun的研究方向不同 [10] 公司融资与估值情况 - 有传言称公司可能正以35亿美元估值进行融资 [14] - 正在与公司洽谈的风投机构包括Cathay Innovation、Greycroft、Hiro Capital，其他潜在投资者还包括20VC、Bpifrance、Daphni和HV Capital [14] 公司治理与团队构成 - Yann LeCun担任公司的执行董事长，而非首席执行官 [14] - 首席执行官由Alex LeBrun担任，他此前是医疗AI初创公司Nabla的联合创始人兼首席执行官 [14] - Alex LeBrun转任源于Nabla与公司的一项合作，Nabla获得了对公司世界模型的“优先访问权” [16] - 公司CEO身边有许多熟悉面孔，包括曾在Meta的FAIR实验室工作的人员，以及据传将加入的前Meta欧洲区副总裁Laurent Solly [16] - 前雇主Meta很可能成为公司的首个客户 [16] 技术路线的行业印证 - 硅谷初创公司Logical Intelligence任命Yann LeCun为其技术研究委员会创始主席，其技术路线与LeCun倡导的思路高度一致 [7] - Logical Intelligence推出的能量-推理模型Kona，宣称其性能比OpenAI的GPT-5和谷歌的Gemini更准确，功耗也更低 [8] - Kona采用基于能量的推理模型，通过根据约束条件进行评分来验证和优化解决方案，从而找到能量最低（最一致）的结果 [8] - 无论是Logical Intelligence的能量推理模型，还是公司的世界模型，本质上都指向同一个方向：跳出语言生成范式，转向能够理解、预测并作用于真实世界的智能系统 [8] 公司运营与未来计划 - 公司计划将其技术授权给行业合作伙伴以用于实际应用 [18] - 同时计划通过公开出版物和开源项目，与全球学术研究界共同构建AI的未来 [18] - Yann LeCun计划保留在纽约大学的教授职位 [19] - 公司将成为一家总部位于巴黎的全球性公司 [20]

编辑｜Panda 刚刚，OpenAI CEO 山姆・奥特曼发了一条推文：「从下周开始的接下来一个月，我们将会发布很多与 Codex 相关的激动人心的东西。」他尤其强调了网络安全这 个主题。 当然，和奥特曼的很多推文一样，这条推文也收获了网友的各式各样的评论： 似乎是响应奥特曼的 Codex 发布预告，OpenAI 官方也发布了一篇技术博客，以「 揭秘 Codex 智能体 循环 」为题，深入揭秘了 Codex CLI 的核心架构 —— 智能 体循环（Agent Loop）。 博客地址：https://openai.com/index/unrolling-the-codex-agent-loop/ 具体来说，其中详细介绍了它如何通过 Responses API 协调用户指令、模型推理与本地工具执行（如 Shell 命令），并重点阐述了通过保持「提示词前缀一致」来 触发缓存优化性能，以及利用自动压缩技术管理上下文窗口，从而在保证数据隐私（ZDR）的前提下，实现安全、高效的自动化软件开发。 下面我们就来详细看看这篇博客的内容。 揭秘 Codex 智能体循环 Codex CLI 是 OpenAI 的跨平台本地软件智能体 ...

具身智能行业现状与挑战 - 过去一年机器人演示视频频出，展示叠衣服、做咖啡、跳舞等多种技能，行业呈现繁荣景象[2] - 行业面临核心问题是如何判断具身模型的真实进步，而非仅看演示效果[2] - 具身评测被视为产业发展的“度量衡”，是技术从实验室走向产业化的必经之路[2] 具身评测的核心困境 - 实验室环境下的高成功率在真实世界的复杂、多变和不确定性面前会瞬间“缩水”[2] - “刷榜容易，落地难”成为悬在具身智能商业化道路上的主要挑战[2] 行业专家圆桌会议信息 - 会议主题为“聊聊具身评测：科学与乱象”，旨在探讨具身智能评测的真实现状与核心挑战[2][16] - 直播时间为2026年1月28日周三晚19:00至20:00[6][16] - 会议由机器之心创始人兼CEO赵云峰主持[2][5] 与会嘉宾背景 - **范浩强**：Dexmal原力灵机联合创始人，清华姚班毕业，前旷视研究院助理院长，主导多项计算机视觉技术从实验室到千万级产品的转化，擅长软硬结合技术[4][10] - **李永露**：上海交通大学副教授、上海创智学院全时导师，博导，研究具身智能、物理推理、行为理解，发表成果50余篇，获ICRA 2025最佳论文奖，开源项目获Github star 1.3万+[4][12] - **沈宇军**：蚂蚁灵波科技首席科学家，博士毕业于香港中文大学，研究方向是计算机视觉和生成模型，探索计算机视觉在机器人行业的落地[4][14] - **赵行**：星海图联合创始人、清华大学助理教授，博士毕业于MIT，前Waymo研究科学家，长期致力于机器人学习和自动驾驶研究，曾获CoRL 2023最佳系统论文奖提名等荣誉[4][16]

文章核心观点 - 表征自编码器（RAE）作为一种新的文生图模型基础架构，在多个方面系统性超越了当前主流的变分自编码器（VAE）方案，为大规模文生图提供了更优的范式[4] - RAE通过耦合冻结的预训练视觉编码器与轻量化解码器，在从5亿到近百亿参数的多个尺度上，展现出比VAE更快的收敛速度、更高的训练稳定性以及更强的防过拟合能力[4][19][28] - 该技术路径让视觉理解与生成共享同一套高维语义表征空间，不仅简化了模型设计，也为构建多模态统一模型开辟了新的可能性[4][29][34] 架构设计与技术原理 - RAE采用与VAE截然不同的逻辑：直接使用预训练且冻结的视觉表征编码器（如SigLIP-2）将图像转化为高维语义token，仅训练一个轻量化的ViT解码器进行像素重建[6] - 以SigLIP-2 So400M为例，它将图像转化为16×16个token，每个token维度高达1152，远高于主流VAE方案的通道数（通常小于64），为生成提供了高保真度的语义起点[6] - 针对RAE操作极高维度语义表征的特点，研究团队引入了维度敏感的噪声调度平移（Noise Schedule Shift）以解决传统扩散模型噪声调度因维度灾难而失效的数学难题[14][15] - 当扩散Transformer（DiT）规模扩展至十亿参数以上时，RAE框架中原先为增强小模型能力而设计的复杂结构（如宽扩散头、噪声增强解码）被证明是冗余的，可以进行简化[17][21] 数据策略与模型表现 - 研究团队构建了一个约7300万条数据的大规模数据集，涵盖Web图像、高美感合成图像及专门的文本渲染数据，实验发现数据组成比例对模型性能至关重要[9] - 缺乏针对性文本渲染数据时，模型无法还原清晰字形细节；引入文本专项数据后，其在Text域的rFID分数出现质的飞跃（例如，从2.406降至1.621）[9][10] - 在ImageNet、YFCC和文本三个维度的重建保真度评测中，RAE方案已全面超越文生图领域的标杆SDXL VAE，虽稍逊于顶尖的FLUX VAE，但证明了其框架能适配不同预训练目标的视觉编码器[11][13] - 在从0.5B到9.8B参数的多个DiT尺度上，RAE均稳定且大幅度地优于VAE方案，并且在1.5B LLM与2.4B DiT的基准测试中，达到同等生成质量所需时间仅为VAE的四分之一左右[19][23][25] 训练稳定性与扩展性 - RAE展现出显著的收敛速度优势，在GenEval评测中实现了4.0倍加速，在DPG-Bench上达到4.6倍加速[23] - 在对高质量数据集进行精细化微调时，VAE模型在约64个epoch后出现灾难性过拟合，性能断崖式下跌，而RAE即使微调至256甚至512个epoch仍能保持稳定的生成质量，表现出极强的鲁棒性[4][25][28] - 当语言模型骨干从1.5B升级至7B时，RAE模型能更好地利用更丰富的文本表征，获得进一步的性能跨越，这证明了当生成与理解在同一个语义潜空间中对齐时，更大的语言模型能释放更强的生成潜力[25] 潜在影响与未来展望 - RAE的成功标志着潜向扩散模型正从繁复的结构堆砌回归到更简洁、更本质的语义建模[35] - 理解与生成在同一套语义特征空间中运行，为多模态统一模型打开了想象空间，例如，语言模型无需将图像解码为像素即可直接对扩散模型生成的潜变量进行理解和打分[4][29][36] - 实验显示，在加入生成训练后，模型在MME、MMMU等视觉理解榜单上的性能保持完好甚至略有提升，体现了其“理解能力保全”的特性[36]