新智元报道
编辑：倾倾
学霸的谎言被揭穿！一篇来自 Adobe Research 的论文发现，高语义理解并不会提升生成质量，反而可能破坏空间结构。用 iREPA 简单修改，削弱全局干扰，生成质量立即飙升 。
我们经常会疑惑：为什么视觉模型越高级，生成效果反而越差？
最近，Adobe Research 发了一篇论文，专门解释了这个看起来有点反常、但反复出现的现象。
论文地址：https://arxiv.org/pdf/2512.10794
按直觉，模型要先知道「这是什么」，才能把它画出来。
ImageNet 上的分类准确率越高，说明模型的语义理解越强，生成的内容越稳定、越靠谱。
但这篇论文给出的结果，完全相反：
一些在识别任务中表现平平、甚至看起来「很不聪明」的视觉编码器，反而能生成出结构更清晰、质量更高的图像。
全局语义能力越强，生成反而越容易出问题。
很可能我们从一开始，就误会了生成模型真正擅长的是什么。
为什么视觉模型越「聪明」，生成的反而越差？
先看一个已经被反复验证的事实：一个模型在 ImageNet 上的线性探测准确率越高，并不意味着它更适合用来做生成。
最直观的例子是 SAM2。这是一个在识别任务里不出彩的模型，验证准确率只有 24.1%，远低于主流视觉大模型。
但当这些编码器被用于 REPA 时，SAM2 的生成质量反而优于一批准确率高出约 60% 的模型。
SAM2 的 ImageNet 验证准确率仅为 24.1%，但在 REPA 框架下的生成 gFID 明显优于多种准确率超过 70% 的视觉编码器。
这还不是某一个模型的偶然表现。
论文进一步比较了同一编码器家族中不同规模的模型，结果发现：模型越大、分类准确率越高，生成质量反而可能相似或更差。
随着模型规模和分类准确率提升，生成 gFID 反而整体变差，表明这一现象并非由个别模型导致。
显然，「高语义能力=好生成」这条默认路径，在大量实验中并不成立 。
更关键的是，这种现象并不是噪声。
在跨模型、跨设置的系统性分析中，全局语义指标与生成质量之间的相关性始终非常弱。
分类能力与生成质量几乎无关，空间结构却高度相关。左：线性探测准确率与生成 gFID 的相关性极弱（Pearson r=-0.26）。中：空间结构指标（LDS）与生成质量呈现出显著强相关（Pearson r=-0.85）。右：基于空间结构改进的 iREPA，在多种编码器上稳定优于 REPA。
论文进一步对多种视觉编码器做了相关性分析，结果非常明确：
线性探测准确率与生成质量之间几乎不存在相关性。
相比之下，反映 patch 空间结构的指标，与生成质量呈现出极强的正相关关系。
如果不是「懂得多」，那生成模型到底依赖的是什么？
反复确认会压扁空间结构
在理解了「高语义≠好生成」之后，真正的问题变成了：
为什么模型越是反复确认，生成反而越容易出问题？
关键就是，全局语义会在生成过程中压扁空间结构。
在生成任务中，模型并不是一次性输出图像，而是在训练和采样过程中，不断对局部 patch 之间的关系做判断。
论文将这种能力概括为「空间结构」：即相邻 patch 之间应保持更高相似性，而远处 patch 不应被全局语义过早拉近。
但当模型过度追求全局语义一致性，比如通过 CLS token ，或对所有 patch 做全局平均来强化「这是什么」，这些局部差异就会被系统性地削弱。
这种做法会导致一个直接后果：前景物体的 patch，与本应无关的背景 patch 之间，出现异常高的相似性。
空间对比度下降，边界变得模糊，生成结果因此糊成一片。
PE-G 和 WebSSL-1B 在 ImageNet 上具有更高的分类准确率，但它们的空间自相似性显示，前景与背景被过度拉近，边界模糊。相比之下，空间结构更清晰的 SpatialPE-B，生成质量显著更好。
研究员向模型中逐步加入全局语义信息，观察分类能力和生成质量的变化。
结果如下图所示：
增强全局语义信息会损害生成质量
随着全局信息权重α从 0 增加到 0.5，模型的线性探测准确率持续上升。
但生成质量却显著下降，FID 明显恶化。
也就是说，「更懂这是什么」确实在发生；但与此同时，模型也失去生成所依赖的空间结构。
这并不是优化不充分的副作用，而是因为全局语义在生成阶段扮演了一个「过强约束」的角色。
它让模型更快达成结论，却也更早放弃了对局部结构的精细刻画。
既然语义会干扰生成，iREPA 选择退后一步
如果说前面的实验回答了「问题出在哪」，那 iREPA 回答的就是另一个问题：
既然全局语义会干扰生成，那该怎么对齐表示，才不会把结构压扁？
iREPA 给出了答案。它对原本的 REPA 训练流程做了两处非常简单的修改，总共不到四行代码 。
第一处，是投影方式的改变。
在标准 REPA 中，patch 表征通常会经过 MLP 投影层进行对齐。
但论文指出，MLP 在这一过程中容易混合不同位置的信息，无意中削弱了空间对比度 。
因此，iREPA 用一个3×3 的卷积层（padding=1）替换了 MLP 投影。
卷积的归纳偏置能保留局部邻域关系：相邻 patch 的相互影响被保留，远处区域则不会被过早混在一起 。
第二处修改，直接针对全局语义。
iREPA 在对齐过程中引入了一个空间归一化层，移除了 patch 特征中的全局均值分量 ，让模型专注于局部之间的差异与边界。
iREPA 如何通过两处修改，恢复生成所需的空间结构。 (a) 使用卷积投影替代 MLP，可更好地保留局部空间关系。 (b) 空间归一化层通过移除全局分量，提高 patch 之间的空间对比度。 (c) 经过这两步修改后，iREPA 生成的 diffusion 特征呈现出更清晰的空间结构。
正是这两点改动，让 iREPA 在机制上与前一节的问题形成了严格对应：
全局语义太强会抹平结构，那就在对齐阶段削弱全局分量、强化空间关系 。
结果也在意料之中。
无论是在 ImageNet 规模的生成任务，还是更高分辨率的设置，亦或是文本到图像的多模态生成任务中，iREPA 都表现出更快的收敛速度和更好的最终生成质量。
更重要的是，这种提升并不依赖于某一个特定编码器。
在不同模型规模、不同视觉骨干网络、不同训练设置下，iREPA 都能稳定改进。
这不仅是一个技巧，而是顺着生成任务本身对结构的需求，把表示对齐这件事做得更克制、更精细。
很多时候，我们讨论生成模型时，会下意识沿用一个标准。
但这篇论文提醒了我们，生成并不是理解的自然下游。
对生成来说，最重要的并不是「这是什么」，而是「哪些地方该靠近，哪些地方该分开」。
当我们一味强化全局语义，反复催促模型给出答案，其实是在替它提前下结论。
iREPA 并没有试图让模型变得更聪明。它做的更像是退后一步，把空间还给空间，把结构还给结构。
结果不是理解能力的飞跃，而是生成质量的回归。
参考资料：
https://x.com/1jaskiratsingh/status/2000701128431034736?s=20
https://end2end-diffusion.github.io/irepa/
