编辑：Panda 而对于 REPA，也有一个类似的问题： 全局信息 与 空间结构 ，哪个对表征对齐更重要？ 机器之心报道 邹忌曾经有一个问题：吾与徐公孰美？ 论文标题：What matters for Representation Alignment: Global Information or Spatial Structure? 论文地址：https://arxiv.org/abs/2512.10794v1 表征对齐（REPA）可通过将强大的预训练视觉编码器的表征蒸馏为中间扩散特征，来指导生成式训练。该方法于去年十月份问世，一直以来都备受关注，已成为 加速扩散 Transformer（Diffusion Transformers）训练的一项有力技术。参阅报道《 扩散模型训练方法一直错了！谢赛宁：Representation matters 》。 但是，其还有一个很基本的问题悬而未决：对生成而言，目标表征的哪个方面更重要？是其「全局」语义信息（例如，以 ImageNet-1K 准确率衡量），还是其空 间结构（即，图像块 token 之间的成对余弦相似度）？ 此前，普遍观点认为，如果使用更强的全局语义性能作为 ...