我們經常會疑惑：為什么視覺模型越高級，生成效果反而越差？

最近，Adobe Research發了一篇論文，專門解釋了這個看起來有點反常、但反復出現的現象。

論文地址：https://arxiv.org/pdf/2512.10794

按直覺，模型要先知道「這是什么」，才能把它畫出來。

ImageNet上的分類準確率越高，說明模型的語義理解越強，生成的內容越穩定、越靠譜。

但這篇論文給出的結果，完全相反：

一些在識別任務中表現平平、甚至看起來「很不聰明」的視覺編碼器，反而能生成出結構更清晰、質量更高的圖像。

全局語義能力越強，生成反而越容易出問題。

很可能我們從一開始，就誤會了生成模型真正擅長的是什么。

為什么視覺模型越「聰明」，生成的反而越差？

先看一個已經被反復驗證的事實：一個模型在ImageNet上的線性探測準確率越高，并不意味著它更適合用來做生成。

最直觀的例子是SAM2。這是一個在識別任務里不出彩的模型，驗證準確率只有24.1%，遠低于主流視覺大模型。

但當這些編碼器被用于REPA時，SAM2的生成質量反而優于一批準確率高出約60%的模型。

SAM2的ImageNet驗證準確率僅為24.1%，但在REPA框架下的生成gFID明顯優于多種準確率超過70%的視覺編碼器。

這還不是某一個模型的偶然表現。

論文進一步比較了同一編碼器家族中不同規模的模型，結果發現：模型越大、分類準確率越高，生成質量反而可能相似或更差。

隨著模型規模和分類準確率提升，生成gFID反而整體變差，表明這一現象并非由個別模型導致。

顯然，「高語義能力=好生成」這條默認路徑，在大量實驗中并不成立 。

更關鍵的是，這種現象并不是噪聲。

在跨模型、跨設置的系統性分析中，全局語義指標與生成質量之間的相關性始終非常弱。

分類能力與生成質量幾乎無關，空間結構卻高度相關。左：線性探測準確率與生成 gFID 的相關性極弱（Pearson r=-0.26）。中：空間結構指標（LDS）與生成質量呈現出顯著強相關（Pearson r=-0.85）。右：基于空間結構改進的iREPA，在多種編碼器上穩定優于REPA。

論文進一步對多種視覺編碼器做了相關性分析，結果非常明確：

線性探測準確率與生成質量之間幾乎不存在相關性。

相比之下，反映patch空間結構的指標，與生成質量呈現出極強的正相關關系。

如果不是「懂得多」，那生成模型到底依賴的是什么？

反復確認會壓扁空間結構

在理解了「高語義≠好生成」之后，真正的問題變成了：

為什么模型越是反復確認，生成反而越容易出問題？

關鍵就是，全局語義會在生成過程中壓扁空間結構。

在生成任務中，模型并不是一次性輸出圖像，而是在訓練和采樣過程中，不斷對局部patch之間的關系做判斷。

論文將這種能力概括為「空間結構」：即相鄰patch之間應保持更高相似性，而遠處patch不應被全局語義過早拉近。

但當模型過度追求全局語義一致性，比如通過CLS token ，或對所有patch做全局平均來強化「這是什么」，這些局部差異就會被系統性地削弱。

這種做法會導致一個直接后果：前景物體的patch，與本應無關的背景patch之間，出現異常高的相似性。

空間對比度下降，邊界變得模糊，生成結果因此糊成一片。

PE-G和WebSSL-1B在ImageNet上具有更高的分類準確率，但它們的空間自相似性顯示，前景與背景被過度拉近，邊界模糊。相比之下，空間結構更清晰的SpatialPE-B，生成質量顯著更好。

研究員向模型中逐步加入全局語義信息，觀察分類能力和生成質量的變化。

結果如下圖所示：

增強全局語義信息會損害生成質量

隨著全局信息權重α從0增加到0.5，模型的線性探測準確率持續上升。

但生成質量卻顯著下降，FID明顯惡化。

也就是說，「更懂這是什么」確實在發生；但與此同時，模型也失去生成所依賴的空間結構。

這并不是優化不充分的副作用，而是因為全局語義在生成階段扮演了一個「過強約束」的角色。

它讓模型更快達成結論，卻也更早放棄了對局部結構的精細刻畫。

既然語義會干擾生成，iREPA選擇退后一步

如果說前面的實驗回答了「問題出在哪」，那 iREPA 回答的就是另一個問題：

既然全局語義會干擾生成，那該怎么對齊表示，才不會把結構壓扁？

iREPA給出了答案。它對原本的REPA訓練流程做了兩處非常簡單的修改，總共不到四行代碼 。

第一處，是投影方式的改變。

在標準REPA中，patch表征通常會經過MLP投影層進行對齊。

但論文指出，MLP在這一過程中容易混合不同位置的信息，無意中削弱了空間對比度 。

因此，iREPA用一個3×3的卷積層（padding=1）替換了MLP投影。

卷積的歸納偏置能保留局部鄰域關系：相鄰patch的相互影響被保留，遠處區域則不會被過早混在一起 。

第二處修改，直接針對全局語義。

iREPA在對齊過程中引入了一個空間歸一化層，移除了patch特征中的全局均值分量 ，讓模型專注于局部之間的差異與邊界。

iREPA如何通過兩處修改，恢復生成所需的空間結構。  (a) 使用卷積投影替代MLP，可更好地保留局部空間關系。  (b) 空間歸一化層通過移除全局分量，提高patch之間的空間對比度。  (c) 經過這兩步修改后，iREPA生成的diffusion特征呈現出更清晰的空間結構。

正是這兩點改動，讓iREPA在機制上與前一節的問題形成了嚴格對應：

全局語義太強會抹平結構，那就在對齊階段削弱全局分量、強化空間關系 。

結果也在意料之中。

無論是在ImageNet規模的生成任務，還是更高分辨率的設置，亦或是文本到圖像的多模態生成任務中，iREPA都表現出更快的收斂速度和更好的最終生成質量。

更重要的是，這種提升并不依賴于某一個特定編碼器。

在不同模型規模、不同視覺骨干網絡、不同訓練設置下，iREPA都能穩定改進。

這不僅是一個技巧，而是順著生成任務本身對結構的需求，把表示對齊這件事做得更克制、更精細。

很多時候，我們討論生成模型時，會下意識沿用一個標準。

但這篇論文提醒了我們，生成并不是理解的自然下游。

對生成來說，最重要的并不是「這是什么」，而是「哪些地方該靠近，哪些地方該分開」。

當我們一味強化全局語義，反復催促模型給出答案，其實是在替它提前下結論。

iREPA并沒有試圖讓模型變得更聰明。它做的更像是退后一步，把空間還給空間，把結構還給結構。

結果不是理解能力的飛躍，而是生成質量的回歸。