待验证50% 置信事实精确时间
VQ-VAE训练时通过直通估计器把梯度从解码器回传到编码器，并用承诺损失约束编码器输出靠近所选码本向量。
1
来源数
50%
置信度
长期有效
时效性
2026/10/23
首次发现
来源
涉及实体
相关事实
待验证VLM的性能瓶颈除视觉编码器外，还可能来自连接模块（connector/projector）、语言模型的指令跟随能力和训练数据73% 相似待验证VQ 为每个张量的每个量化档位设置一个可训练的标量门控，冻结候选权重，仅通过一个 epoch 训练决定最优量化等级72% 相似待验证微软BitNet等研究表明，若从预训练阶段采用1Bit量化感知训练（QAT），精度损失可控，而事后量化（PTQ）损失通常更大69% 相似待验证非线性自编码器的潜空间是非线性的，能够捕捉弯曲的低维流形，但训练需要同时优化编码器和解码器，理论上可能存在退化解。68% 相似已验证量化感知训练（QAT）在训练过程中模拟量化误差反向传播，效果通常优于训练后量化（PTQ）67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1088796API
curl https://kongchang.com/api/v1/knowledge/claims/1088796MCP
get_claim(id=1088796)