结论

华中科技大学与KlingAI Research等团队公开的预印本StableVQ提出职责分离的向量量化分词器训练框架，以动态直通估计、区域VQ损失与解耦调度三项免新增参数的干预，在ImageNet上报告100%码本利用率与1.70 rFID。以下数字均为作者自报，尚未经过同行评审与独立复现，不应视为普遍或已确立的事实。

研究状态与对象

该工作状态为预印本，arXiv首次提交为UTC 2026年9月22日17时54分，对应Asia/Shanghai 2026年9月23日1时54分，属于当日窗口内首次公开。责任主体为华中科技大学、KlingAI Research与华南师范大学，作者署名为Bao Tang、Jiahao Guo、Haoxiang Cao、Wenyu Liu、Changqian Yu、Kun Gai与Xinggang Wang。研究对象是离散视觉分词器中的向量量化训练不稳定性，特别是共享投影码本下编码器-解码器与码本训练纠缠导致的低利用率、 collapse与NaN问题，未声称解决全部生成建模问题。

方法与评估条件

StableVQ包含三部分。动态STE以同批次中最接近该码的token为参照，按参照距离与自身距离平方比加权直通梯度，远距离配对大幅衰减，只改变反向信号幅度且无阈值超参数。区域VQ损失让高命中活跃码按命中频率配额，向附近长期未激活码传播token均值目标，并以先进先出活动窗口保护近期活跃码，重叠接收者取平均，提供稠密有向监督。解耦调度为编码器-解码器保留预热与退火，为码本维持足够高的恒定学习率，承认表征学习与分布跟踪需要不同优化动力学。三项均轻量且不引入可学习参数，构建于共享投影码本之上。对照实验采用冻结一侧、只训另一侧的隔离设计，再独立改变调度，辅以ImageNet重建评测。

数据范围与主要结果

作者报告的范围限于ImageNet与受控VQ配置：一、冻结编码器只训码本时，标准VQ损失在5000步仅达12.5%利用率，区域VQ损失在500步即达100%并维持，作者将其解释为共享投影本身不提供缺失目标的证据。二、冻结码本只训编码器-解码器时，标准STE出现承诺损失尖峰与重建振荡直至NaN，动态STE保持承诺损失可控且重建损失下降，作者将其解释为码本静止时梯度估计间隙仍可致失稳。三、小范围初始化对照中，基线峰值承诺损失53.11、利用率49.13%、rFID 2.06，三组件联合达峰值承诺损失低于0.1、利用率100%、rFID 1.70、LPIPS 0.2208、PSNR 21.81、SSIM 0.5879。作者称在多种码本尺寸与初始化下一致改善稳定性、利用率与重建质量。以上均为论文与项目页自报的受控结果，评分限重建指标。

局限与待验证事项

第一，该工作为预印本，未经同行评审，结论限受控评测，需独立复现。第二，验证以ImageNet重建为主，覆盖的码本尺寸、投影器与初始化虽多样，但未验证视频、音频、开放域对话或长上下文生成，rFID等重建指标不能等同于下游生成质量。第三，结果强依赖共享投影架构、学习率与具体配置，消融显示单用动态STE或单用解耦调度可致低利用率或NaN，需三者协同，迁移时需复测。第四，论文给出机理分析与附录，但其理论假设、统计边界与计算开销仍需结合全文核查，不应将局部基准写成普遍因果或已获认可的事实。

潜在意义

编辑解释：如果后续独立复现成立，该思路的意义在于把稳定VQ训练从脆弱的模块间协作转为各自尽责的原则性设计，单线性投影即可达到较强质量，降低了对启发式初始化与复杂投影设计的依赖，对需要在自回归与掩码生成前训练视觉词表的团队有工程参考价值。但在当前证据下，读者应将其视为特定数据集与特定配置上的作者结论，而非机构宣传或行业普遍结论，选型前需在自身数据、词表规模与硬件上复测稳定性与质量。