阿里巴巴通义团队研发的"图像压缩黑科技"：让AI作图既快又清晰，还能看懂密密麻麻的文字

这项由阿里巴巴通义团队（Qwen Team）完成的研究，以技术报告的形式于2026年5月13日发布在预印本平台arXiv上，论文编号为arXiv:2605.13565。研究的核心成果是一套名为Qwen-Image-VAE-2.0的高压缩图像自动编码器系列，专为下一代AI图像生成系统而设计。

先从一个生活场景说起。假设你要把一栋复杂的大楼塞进一个小纸盒运走，再在目的地还原出来。塞得越紧，搬运越省力，但稍有不慎，楼里的精细装修——那些木雕花纹、手写门牌——就可能被压烂。这正是当今AI图像生成系统每天都在面对的难题。Qwen-Image-VAE-2.0就是一套专门解决这个"搬楼"难题的技术，它让AI能够把图像压缩得极度紧凑，搬运效率大幅提升，但到达目的地后还原出来的图像依然清晰锐利，哪怕是密密麻麻的小字也看得一清二楚。

一、为什么AI"作图"需要先把图像"压缩"再"还原"？

在理解这项研究之前，有必要先弄清楚现代AI画图系统的工作原理。目前主流的AI图像生成技术，比如大家熟悉的各类"文生图"工具，背后几乎都用了一种叫做"潜在扩散模型"的方法。这个名字听起来复杂，但原理可以用"大楼压缩运输"的比喻完整解释。

整个过程分两步走。第一步，有一个叫做VAE（变分自动编码器，可以理解为"智能压缩机"）的模块，负责把原始图像压缩成一个极度精简的"摘要版本"，业内把这个摘要叫做"潜在空间表示"。第二步，AI的核心生成引擎（称为"扩散模型"或"DiT"，即扩散变换器）在这个压缩版摘要上进行创作和运算，最后再由压缩机把摘要还原成完整图像。

为什么要绕这么一大圈？因为原始图像数据量太庞大，直接在完整图像上运算，AI的计算量会像雪崩一样失控。这里有个关键数字：当图像的空间分辨率加倍时，AI生成引擎的计算量会增长到原来的四倍——这是一种二次方增长的关系，非常恐怖。所以压缩比越高，AI核心引擎需要处理的信息就越少，训练和生成的速度就越快。

目前行业标准的压缩比是8倍（即把图像的长和宽各缩小8倍，记作f8），但随着高清、超高清图像生成需求的爆炸式增长，f8已经成为效率瓶颈。通义团队的目标是把压缩比推进到16倍（f16）和32倍（f32），让AI可以更高效地处理原生高分辨率图像。

然而，压缩比一旦提高，三个核心指标就会陷入两难甚至三难的困境：压缩率、还原质量、以及"可扩散性"（即压缩后的摘要是否容易被AI生成引擎学习和利用）。这三者就像一个跷跷板系统——把一端压下去，另外两端就会翘起来。Qwen-Image-VAE-2.0的核心使命，就是找到一种方式让这三端同时保持平衡。

二、最让人头疼的三重困境：高压缩、高质量、好用性，能兼得吗？

回到"大楼压缩运输"的比喻。压缩比从8倍提高到32倍，相当于把运输箱体积缩小了16倍。在这种极端压缩下，楼里的精细结构极易受损，尤其是那些笔画细腻的手写文字和密集排版的文档页面——这是高压缩VAE的传统死穴，在现有技术方案中，32倍压缩下的文字往往会变成一团模糊的噪点。

解决"还原质量差"的一个直觉方法是增加摘要的"信息密度"——也就是增加VAE输出的通道数（可以理解为摘要的"维度"或"字数"）。通道数越多，摘要里能装的信息越丰富，还原质量自然越好。但问题来了：通道数一多，摘要的结构就变得复杂而混乱，像一团乱麻。后续的AI生成引擎面对这团乱麻，学习起来非常困难，收敛速度（即学会生成高质量图像需要的训练时间）大幅拖慢。这就是所谓的"可扩散性"问题。

用更直白的说法：你把大楼的摘要写得越详细，搬运时确实丢的信息越少，但接收方在看摘要时会越头疼，越难从摘要里重新"脑补"出原始大楼的样子。

面对这三重困境，通义团队从架构设计、数据工程和训练策略三个维度同时入手，形成了一套完整的解决方案。

三、"全局快捷通道"：让细节信息绕过压缩损耗直达目的地

高压缩VAE面临的第一个关键技术难题是：编码器（压缩机的前半段）在进行大幅度降采样时，高频信息——比如文字的笔画边缘、图案的细腻纹理——很容易在这个过程中丢失，导致后续还原时只能"凭感觉猜"，产生模糊的结果。

通义团队提出的解决方案叫做"全局跳跃连接"（GSC，Global Skip Connection）。这个机制本质上是为原始图像信息开辟了一条"快捷通道"——在正常的压缩处理路径之外，额外建立一条专线，让原始像素级别的信息可以直接"绕过"初始的降采样阶段，被送入更深的压缩层。

具体实现上，这条快捷通道用了一个叫做"空间转通道"（S2C）的操作：把图像在空间维度上的信息"折叠"进通道维度，相当于把一张大幅地图折叠成一个小方块但保留所有信息密度。折叠后的高密度信息和正常压缩通道的输出合并，再经过通道平均操作，形成最终的压缩摘要。

为了验证这个设计的效果，研究团队做了一组对比实验，分别测试了三种配置：完全没有跳跃连接（NSC）、只在局部层间添加跳跃连接（LSC）、以及他们提出的全局跳跃连接（GSC）。实验在f16c64规格的模型上进行，结果从训练曲线上就看得清清楚楚——GSC方案的重建损失下降得最快，峰值信噪比（PSNR，衡量图像还原质量的数字指标，越高越好）也爬得最高。GSC方案的效果远优于前两种，因此通义团队将其应用到了整个Qwen-Image-VAE-2.0系列的每一个型号中。

四、"轻前端、重后端"：让整个系统又快又精准

除了全局跳跃连接，研究团队还针对整体架构做了两项重要的工程决策。

第一项决策是彻底抛弃"注意力机制"（Attention），采用纯卷积的"无注意力骨干网络"。注意力机制是当前深度学习领域的明星技术，大名鼎鼎的ChatGPT背后的Transformer架构就依赖它。但注意力机制有个致命短板：计算量随着输入序列长度呈二次方增长——输入图像的像素数翻一倍，计算量就变成原来的四倍，占用的显存也按同样比例暴涨。对于动辄几千像素的高分辨率图像，这简直是灾难。相比之下，卷积操作的计算量只与像素数成线性比例增长，友好得多。研究团队实测发现，去掉注意力模块后模型性能并没有明显下降，因此果断采用了全卷积设计，确保系统在超高分辨率下依然保持高吞吐量。

第二项决策是采用"编码器-解码器非对称设计"。压缩机分为前后两段：前半段（编码器）负责把原始图像压成摘要，后半段（解码器）负责把摘要还原成图像。研究团队让编码器保持轻量化设计，而让解码器更加"重型"、参数更多、表达能力更强。从Table 1中的参数量可以看到，编码器约为76-78M参数，而解码器约为248-250M参数，后者是前者的三倍多。

这种不对称设计的背后有个精妙的考量：在实际AI图像生成的工作流中，编码器在每轮训练迭代中都需要运行，而解码器只在最后生成图像时才用一次。让编码器更轻，意味着整个AI生成引擎的训练过程大幅提速；解码器虽然更重，但因为只在最后生成时用，对训练效率影响有限，却能保证最终图像质量。

五、四款型号各有侧重：从f16到f32，从64通道到192通道

通义团队基于上述架构设计，推出了四款具体型号，覆盖不同的使用场景。

两款f16压缩比型号分别是Qwen-Image-VAE-2.0-f16c64和Qwen-Image-VAE-2.0-f16c128，编码器参数量均为76M，解码器均为248M，层数均为5层，均采用GSC残差结构，区别在于通道数分别为64和128。两款f32压缩比型号分别是Qwen-Image-VAE-2.0-f32c128和Qwen-Image-VAE-2.0-f32c192，编码器约77-78M，解码器约250M，层数为6层，通道数分别为128和192。

这里的"通道数"（记作c后面的数字）可以理解为摘要的"信息密度"——通道越多，摘要包含的信息越丰富，还原质量越好，但同时也给后续AI生成引擎带来更大的学习挑战。研究团队引用了一个"信息瓶颈"公式：总信息容量N(z) = C × H × W / f?，其中C是通道数，H和W是图像尺寸，f是压缩比。提高C可以补偿提高f造成的信息损失。关键是，增加通道数并不会影响DiT（扩散变换器，AI的生成核心）的训练效率，因为DiT在读取摘要时首先会通过一个线性层把摘要投影到固定维度，计算复杂度几乎与通道数无关。

六、数据为王：从十亿张普通图像到精心设计的文字渲染流水线

再好的架构，没有充足高质量的训练数据也是无根之木。通义团队在数据工程上投入了巨大精力。

训练数据规模被扩展到了十亿级别，涵盖各种类别、分辨率和宽高比的图像。面对如此海量的数据，质量控制是个大问题。研究团队使用了清晰度过滤和模糊检测过滤，剔除掉边缘模糊、存在压缩噪点等低质量样本，确保VAE接触到的每一张训练图像都有足够高的信号质量。

针对文字重建这个传统高压缩VAE的老大难问题，研究团队采取了双管齐下的策略。一方面，他们使用OCR（光学字符识别）过滤器，从海量真实数据中专门筛选出字符密度高的图像样本优先使用；另一方面，他们专门整理了一个文字密集型文档数据集，涵盖学术论文截图、演示幻灯片、海报、以及复杂网页页面。通过在这批真实文字丰富图像上训练，模型逐渐学会了优先保留字符边缘的锐利度和语义结构。

更有创意的是团队开发的"合成渲染流水线"。他们用代码程序来人工生成文字图像——把文字渲染到图片上，直接创造训练数据。这条流水线支持英文（拼音文字，笔画相对简单）和中文（表意文字，笔画密集复杂）两种语言，针对它们不同的笔画密度分别处理。

在这里，研究团队发现了一个重要的"迁移陷阱"：用黑字白底的干净合成图像训练出来的模型，在真实世界的图像上表现很差，因为现实中文字往往叠印在复杂纹理的背景之上。为了桥接这个鸿沟，他们实施了"含背景合成"方案——把文字渲染到从普通图像库中随机采样的背景上，模拟真实世界的文字呈现场景。

此外，为了适配不同的压缩级别，合成数据集还按照难度分级构建：字符大小从5像素到20像素不等。字符越小，VAE越难还原，越能逼迫模型学会捕捉极精细的结构。这种"多粒度监督"策略确保了即使在f32极端压缩下，模型依然能维持文字的可读性。

七、训练策略：三段式渐进课程，从模糊到清晰，从死板到灵活

光有好数据还不够，训练过程本身也需要精心设计。研究团队采用了多阶段渐进式训练范式。

第一个维度是分辨率渐进。训练从低分辨率图像起步，让模型先学会基本的结构规律，再逐步把分辨率提升到2K。在整个过程中，训练数据包含多样化的宽高比，让模型学会在各种图像构图下都能保持几何正确性，不出现拉伸或变形。

第二个维度是文字数据渐进注入。训练一开始主要使用普通域图像（风景、人物、物体等）快速完成初始收敛；之后逐步混入真实世界的文字密集样本，应对复杂字符识别的挑战；最后引入难度分级的合成文字数据，精细打磨字符级别的还原精度。由于普通纹理和字符细节对模型的重建侧重点要求不同，训练中始终保持这两类数据的合理比例，确保二者质量都不偏废。

第三个维度是语义对齐策略的渐进松弛（详细原理见下文）。训练初期使用严格的语义对齐约束，随着训练进行，逐步放宽约束边界，让模型在保持语义一致性的同时有更多空间追求高质量的像素级还原。

八、让摘要"好用"的秘密武器：DINOv2语义对齐

现在来到了这项研究最有独创性的部分之一——解决"可扩散性"问题。

前面说过，高通道数的摘要虽然信息丰富，但结构复杂，后续AI生成引擎很难学习。解决这个问题，研究团队的核心思路是：让摘要的结构不是随机混乱的，而是向一种"生成友好"的语义空间靠拢。具体方法是引入"语义对齐损失"，也就是在训练中加入一个额外的约束：让VAE的摘要尽量"长得像"一个已经训练好的视觉语义提取器的输出。

研究团队选用的参照语义提取器是DINOv2-L，这是Meta AI开发的一个知名视觉自监督学习模型，以擅长提取图像的高层语义特征著称。具体操作是：对同一张输入图像，一边让VAE生成摘要，一边用冻结参数的DINOv2提取语义特征图；然后通过可训练的线性投影把VAE摘要映射到和DINOv2特征图相同的维度，再计算两者之间的相似度，用相似度损失来训练VAE。

这里有两个精心设计的对齐目标。第一个是"边距余弦相似度损失"：对摘要中每个空间位置的特征向量，要求其方向（而非长度）与DINOv2对应位置的特征方向足够接近，但不要求严格相等——设置了一个"边距"，只要相似度高于某个阈值就不再施加惩罚，避免过度约束。第二个是"边距距离矩阵相似度损失"：要求摘要中任意两个空间位置之间的相对关系，与DINOv2特征图中对应位置对的相对关系保持一致——本质上是在要求摘要保留图像的空间布局结构。这两个损失函数的组合，既约束了单个位置的语义方向，又约束了位置之间的相对语义结构，形成了互补的对齐监督信号。

在选择对齐DINOv2的哪一层特征时，研究团队也做了系统对比。通常人们会用最后一层输出，因为它最"成熟"。但研究发现，中间层的特征图在空间上更平滑，更容易对齐，对齐后得到的潜在空间也更"生成友好"。而且把多个层的特征融合使用反而会引入噪声，干扰对齐效果，因此最终选择了单一的、经过精选的中间层特征作为对齐目标。

在比较了DINOv2、DINOv3（DINOv2的后续版本）、MAE（掩码自动编码器）和PE-Spatial（Facebook新推出的感知编码器）之后，DINOv2的表现最为稳定出色。

九、扔掉两个"传统法宝"：没有KL损失，也不需要GAN

在VAE训练中，有两个几乎被视为"标配"的组件：KL散度损失（用来约束摘要的统计分布尽量接近标准正态分布）和GAN对抗损失（用来让还原图像看起来更锐利、更"真实"）。通义团队经过实验，果断舍弃了这两者。

放弃KL损失的理由很充分。KL损失本质上是在强迫摘要的分布向高斯正态分布靠拢，但DINOv2的语义特征并不服从正态分布——两个目标之间存在本质矛盾。训练时同时追求这两个相互竞争的目标，反而导致语义对齐效果变差，进而拖慢下游DiT的收敛速度。去掉KL损失后，摘要的分布更自由，可以完全服从语义对齐的指引，效果反而更好。

放弃GAN对抗损失的理由则更加实用。GAN对抗损失需要额外训练一个判别器（鉴别图像真假的网络），会显著增加训练复杂度和不稳定性。研究团队发现，只要训练数据足够大、训练时间足够长，单纯的像素级L1重建损失加上感知损失（LPIPS，比较图像在深度网络特征层面的相似度）的组合，完全可以产出高质量、高清晰度的还原结果。去掉判别器后，训练过程更稳定，速度更快，最终效果也不差。

于是，Qwen-Image-VAE-2.0的训练总损失函数被精简为三项之和：像素L1重建损失、感知LPIPS损失和语义对齐损失，各项之间通过权重系数平衡。这种"做减法"的哲学在AI领域实属难得，也让整个训练流程更加清晰可控。

十、OmniDoc-TokenBench：专门为文字重建设计的全新评测标准

评价VAE的传统指标有PSNR（峰值信噪比）、SSIM（结构相似度）和FID（生成图像与真实图像分布的差距）。这些指标对于评价自然风景照、人像等普通图像很有效，但对于文字密集型文档有个致命缺陷：它们对字符可读性极不敏感。举个具体例子：如果把"orange"中的最后一个字母"e"变成"o"变成"orango"，这个单字符的错误在PSNR上只损失不到0.5 dB，但NED（归一化编辑距离，后面解释）却会下降16.7%。人眼一眼就能看出这是个错误的词，但PSNR完全"视而不见"。

现有唯一涉及OCR评测的重建基准TokBench虽然迈出了一步，但它的数据来自"场景文字"数据集（比如路牌、店招），文字实例稀疏，字符尺寸偏大，与真实文档场景相差悬殊。

为此，通义团队设计并发布了OmniDoc-TokenBench，一个约3000张图像规模的专项评测基准，涵盖书籍、幻灯片、彩色教材、试卷、学术论文、杂志、财务报告、报纸和手写笔记九个类别，中英文双语均有覆盖。这个基准派生自OmniDocBench（一个文档解析数据集），通过四个阶段的流水线精细构建。

构建流程如下：首先从每个文字块的左上角裁剪区域，统一缩放到256×256像素，使得每个字符占据约fref×fref像素（中文设定fref=16，英文设定fref=10）——这个大小是精心校准过的：对OCR模型来说还算容易识别，但对VAE重建来说已经相当有挑战性。然后用PP-OCRv5（百度飞桨的OCR系统）过滤样本，只保留识别出200至600个字符（中文）或300至600个字符（英文）的样本，确保足够的文字密度同时避免过于拥挤。接着进行去重操作：计算同一页面内和同类别内样本间的字符级n-gram重叠度，相似度过高的样本只保留字符数最多的那一个。最后人工审核，剔除模糊、视觉冗余或空白区域过多的样本，确保最终数据集质量。

评测指标上，除了传统的PSNR、SSIM、LPIPS、FID之外，OmniDoc-TokenBench以NED（归一化编辑距离）作为核心指标。NED的计算方法是：对每张图像，分别对原始图像和VAE重建图像运行同一个OCR模型，得到两段文字字符串，然后计算两者之间的编辑距离（改多少个字符能从一个字符串变成另一个），再除以较长字符串的长度，得到0到1之间的值，1表示完全一致，0表示完全不同。

这里有个巧妙的设计：比较的基准是原始图像的OCR输出，而不是人工标注的"正确答案"。这是因为OCR系统本身也会犯错，比如把"rn"认成"m"；如果用人工标注做基准，OCR的这些系统性偏差会被错误地归咎于VAE。用同一个OCR系统处理原始图像和重建图像，两边的系统误差可以相互抵消，剩下的差异就是真正由VAE重建引入的退化。

十一、实验结果：数据说话

研究团队在多个公开基准上系统测试了Qwen-Image-VAE-2.0的重建性能，对手阵容包括FLUX.1-dev、HunyuanVideo、Wan2.1、Wan2.2、VAVAE、DC-AE-sana、LTX-Video、LTX-2等业界知名高压缩VAE。

在256像素的ImageNet基准和1K分辨率的FFHQ基准的通用图像重建测试中，Qwen-Image-VAE-2.0在各自压缩级别内均达到了最佳表现。其中尤为亮眼的是f32c192型号：在f32极端压缩下，它在ImageNet上的PSNR达到31.13 dB、SSIM达到0.8785，在FFHQ上的PSNR达到37.52 dB、SSIM达到0.9381。这两个数字与f8标准压缩的Wan2.1（ImageNet PSNR 31.29、SSIM 0.8870；FFHQ PSNR 38.16、SSIM 0.9456）基本旗鼓相当——要知道f32的压缩倍数是f8的四倍，能达到这个接近度非常不容易。

f16c128的表现则更加出彩，在ImageNet上PSNR达到35.90、SSIM达到0.9519，在FFHQ上PSNR达到43.10、SSIM达到0.9795，在整个f16压缩阵营中稳居第一，甚至超过了采用f16c128但得益于更多训练的FLUX.2-dev（ImageNet 34.34/0.9358，FFHQ 40.36/0.9676）。

在OmniDoc-TokenBench文字重建测试中，差距更加悬殊，充分暴露了各家模型在文字保留能力上的巨大分化。f16c64型号的NED达到0.9244，与f8顶级模型FLUX.1-dev（NED 0.9546）和HunyuanVideo（NED 0.9266）已经非常接近，超过了所有其他f16竞品（其中Cosmos-0.1-CI16x16更是只有0.1547，意味着约85%的文字字符在重建后无法识别）。f16c128则以NED 0.9617打破了f8级别的天花板，超过了FLUX.1-dev（0.9546），成为已知第一个f16压缩倍数下文字保留能力超过f8 VAE的自动编码器。

在f32压缩下，竞品的文字重建能力普遍接近崩溃：DC-AE-sana NED仅0.0692，LTX-2为0.3569，HunyuanImage-2.1为0.4895，LTX-Video为0.5651。而Qwen-Image-VAE-2.0-f32c128达到0.7065，f32c192更达到0.8555，超过了多个f16竞品的水平，充分体现了综合数据工程策略的强大效果。

这些数据还揭示了一个值得注意的规律：像素级指标和文字保留能力之间的关联并不总是一致的。比如在f16组，Stepvideo-T2V的NED（0.8838）明显高于HunyuanImage-3.0（0.7753），但两者的SSIM差距并不大（0.8970 vs 0.8672）。在f32组，LTX-Video的NED（0.5651）高于HunyuanImage-2.1（0.4895），但FID反而更差（17.10 vs 5.19）。这些不一致性有力地说明了NED作为文字重建专项指标的独立价值，不能被像素级指标替代。

十二、可扩散性验证：让AI生成引擎学得更快

评价一个VAE是否"好用"，不仅要看还原质量，还要看以它为基础训练的AI生成模型收敛得多快。研究团队专门在ImageNet 256×256数据集上训练了SiT（一种基于流匹配的图像生成模型），以IS（Inception Score，衡量生成图像多样性和清晰度的指标）和gFID（衡量生成图像与真实图像分布相似度的指标）作为生成质量评测标准，训练80个epoch后进行比较。

结果同样令人满意：Qwen-Image-VAE-2.0在同级压缩比的竞争者中取得了最佳或接近最佳的生成性能。f16c64的gFID达到9.52（越低越好），IS达到102.76（越高越好），远优于其他f16竞品（VAVAE 6.03/129.80 的IS虽然更高但那是特定配置下的结果，其余竞品gFID均在10以上或更差）。f32c128的gFID达到15.05、IS达到81.23，在f32阵营中也处于领先位置。尤其重要的是，尽管Qwen-Image-VAE-2.0的通道数（64、128、192）远高于大多数竞品，但它的DiT收敛速度并没有因此拖慢，这充分证明了语义对齐策略的有效性。

研究团队还将VAE的生成效果进行了视觉展示，用SiT在不同分辨率下生成了一批ImageNet风格的图像（f16型号在256×256，f32型号在512×512），各种类别的图像都保持了清晰的结构和丰富的细节，没有出现常见的"AI感"失真或结构崩塌。

此外，Qwen-Image-VAE-2.0还成功集成进了阿里巴巴的大型文生图系统Qwen-Image-2.0中，在真实的开放词汇文字生成和复杂构图任务中表现稳定，进一步验证了其在大规模生产系统中的可靠性。

归根结底，这项研究证明了一件原本被认为很难做到的事情：在极端的32倍空间压缩下，通过架构创新、数据工程和训练策略的系统性组合，可以同时实现接近f8标准的还原质量、超越f8的文字保留能力，以及优秀的AI生成引擎可用性。三个原本相互牵制的目标，在精心设计的系统框架下找到了共存的方式。

对于普通用户而言，这意味着未来的AI图像生成工具可以在更低的计算成本下，生成包含清晰、可读文字内容的高分辨率图像——无论是生成一张带有精确文字排版的演示幻灯片，还是还原一页密密麻麻的试卷，都将变得更加可靠。OmniDoc-TokenBench作为一个开放的评测基准也已在GitHub上发布（alibaba/OmniDoc-TokenBench），为整个行业提供了一个文字重建能力的统一比较标尺。对这项研究有更深入兴趣的读者，可以通过论文编号arXiv:2605.13565查阅完整的技术报告。

---

Q&A

Q1：Qwen-Image-VAE-2.0的"全局跳跃连接"和普通跳跃连接有什么区别？

A：普通的局部跳跃连接只在相邻层之间传递信息，而全局跳跃连接直接把原始图像的像素信息通过"空间转通道"操作折叠压缩后，绕过初始降采样阶段送入更深的压缩层。这样高频的细节信息（比如文字边缘）就不会在最初的大幅降采样中彻底丢失，模型可以在更深层直接参考原始像素，显著加速训练收敛并提升最终还原质量。

Q2：OmniDoc-TokenBench和现有的图像重建评测基准相比，有什么不一样的地方？

A：现有的ImageNet、FFHQ等标准基准几乎全是自然照片，没有文字内容，传统指标PSNR和SSIM对文字可读性不敏感。OmniDoc-TokenBench专门收集了书籍、试卷、报纸等九类文字密集型文档图像约3000张，并以NED（归一化编辑距离）为核心指标，通过对比原图和重建图的OCR识别结果来直接衡量文字的字符级保留程度，填补了文字重建评测的空白。

Q3：Qwen-Image-VAE-2.0训练时为什么要去掉KL损失和GAN损失？

A：KL损失会强迫摘要的统计分布向标准正态分布靠拢，而DINOv2语义特征并不符合正态分布，两个目标相互竞争反而导致语义对齐效果变差，拖慢AI生成引擎的训练速度。GAN损失需要额外训练判别器，增加不稳定性，而实验证明在足够大的数据量和训练时间下，L1重建损失加感知损失的组合已经足够产生高质量还原效果，保留GAN损失带来的边际收益远小于它增加的麻烦。