离散视觉 token 能否成为语义无损的视觉信号表示？

研究重新审视"量化误差必然导致语义损失"的假设，发现量化误差大小与多模态理解表现并不可靠对应，离散索引的有效比特预算才是下游性能的关键决定因素。为此提出 Factorized Vector Quantization，用对称并行码本量化视觉特征的互补固定维度视图，在更大比特预算下持续提升并最终追平连续视觉表示。