Emu3-Chat

因子化向量量化在多模态理解中匹配连续视觉标记

研究人员开发了因子化向量量化（FVQ），一种创建离散视觉标记的新方法，该方法在多模态模型中可以匹配连续表示的语义理解。与先前假设量化误差必然导致语义损失的方法不同，FVQ证明了有效的比特预算是关键因素。该方法在互补特征视图上使用并行码本，使其能够有效扩展并达到离散模型中的最先进性能，甚至在细粒度OCR等任务上可与Qwen3 VL等连续模型相媲美。