要說真學術，還得看推特。
剛剛，謝賽寧自曝團隊新作iREPA其實來自4個多月前的，一次與網友的辯論。
這場短暫的線上辯論雖然以謝賽寧被網友說服告終，但在3個多月后，居然有了意料之外的后續——
多個團隊合作，沿著這一思路寫出了一篇完整的論文，而且核心框架僅需3行代碼。
致謝部分還感謝了當時參與討論的網友。
一篇推特引發的學術論文事情是這樣的。
一位網友在8月份表示：
別再癡迷于ImageNet-1K的分類分數了！自監督學習（SSL）模型應該專門為稠密任務（如REPA、VLM等）進行訓練，因為這些任務真正依賴的是patch tokens中的空間和局部信息，而不是[CLS]token所代表的全局分類性能。
對于網友的觀點，謝賽寧表示：
不，使用patch token并不意味著就是在做稠密任務。VLM和REPA的性能與它們在IN1K上的得分高度相關，而與patch級別的對應關系只有很弱的關聯。這并不是[CLS]token的問題，而是高層語義與低層像素相似性之間的差別。
對于謝賽寧的反駁，網友舉出了SigLIPv2和PE-core優于DINOv2 for REPA的例子。
與此同時，另一位網友也加入了戰斗：
這是個合理的問題。為了做直接對比，在沒有DINOv3早期checkpoint的情況下，或許可以用REPA來比較PEspatial和PEcore。其中，PEspatial可以理解為：將PEcore的Gram-anchor對齊到更早的網絡層，并結合SAM2.1。
對此，謝賽寧表示：
非常好！感謝你的指路/提示。我很喜歡這個方案。否則干擾因素會太多了。兩個checkpoint都已經有了（G/14，448 分辨率），希望我們很快就能拿到一些結果。
3個多月后，謝賽寧表示自己之前的判斷站不住腳，而且這次的論文反而帶來了更深入的理解。
還有貼心小貼士，提示網友可以看看致謝部分。
對于自己在致謝中被提到，參與討論的網友之一表示很有意思：
也謝謝你一路跟進！被致謝提到我也很受寵若驚。
謝賽寧還表示，這次討論本身就是一次小實驗——他想看看，一種新的“線上茶水間效應”是否真的能夠發生。
他很享受這種狀態：先有分歧、有爭論，再通過真正的實驗和投入，把直覺拉回到可被驗證的科學結論上。
不得不說，這樣開放、即時、可糾錯的學術討論，確實值得多來一些。
接下來，我們就一起來看看由此催生的最新論文。
空間結構才是驅動目標表征生成性能的主要因素承接上面的討論，這篇最新論文探討了一個核心的基礎問題：
在用預訓練視覺編碼器表征來指導生成模型時，究竟是表征的哪一部分在決定生成質量？
是其全局語義信息（ImageNet-1K上的分類準確率）還是其空間結構（即補丁tokens之間的成對余弦相似度）？
論文給出的結論是：更好的全局語義信息并不等于更好的生成，空間結構（而非全局語義）才是表征生成性能的驅動力。
傳統觀念（包括謝賽寧本人）認為具有更強全局語義性能的表征會帶來更好的生成效果，但研究卻表明更大的視覺編碼器反而可能帶來更差的生成性能。
其中，線性檢測準確率只有約20%的視覺編碼器，反而可以超過準確率>80%的編碼器。
而且，如果試圖通過CLS token向patch token注入更多全局語義，生成性能還會被拉低。
與此同時，研究還發現生成效果更好的表征，往往具有更強的空間結構（可通過空間自相似性指標來衡量）：
也就是說，圖像中某一部分的token會如何關注圖像中其他區域的token。
在具體的研究方法上，研究通過一次大規模的定量相關性分析對這一觀察進行了細化驗證：分析覆蓋了27 種不同的視覺編碼器（包括 DINOv2、v3、Perceptual Encoders、WebSSL、SigLIP 等）以及3種模型規模（B、L、XL）。
而在進一步的評測中，空間信息的重要性被進一步拔高：即便是像SIFT、HOG這樣的經典空間特征，也能帶來與PE-G等現代、更大規模視覺編碼器相當、具有競爭力的提升。
在測試得出結論后，論文又基于現有的表征對齊（REPA）框架進行分析和修改，提出了iREPA。
投影層改進： 將REPA中標準的MLP投影層替換為一個簡單的卷積層?？臻g規范化： 為外部表征引入一個空間規范化層。這些簡單的修改（如在DeCo框架下的實現）旨在保留并強化空間結構信息，相比原始的REPA方法能顯著提升性能。
值得一提的是iREPA，只需3行代碼即可添加到任何表示對齊方法中，并且在各種訓練方案（如REPA、REPA-E、Meanflow 以及最近推出的 JiT）中都能實現持續更快的收斂。
