一場發生在社交媒體平臺上的學術爭論，意外催生出一項重要的計算機視覺研究成果。研究人員謝賽寧近日公開表示，其團隊新提出的iREPA方法靈感源于四個多月前與網友的線上辯論，這項成果不僅顛覆了傳統認知，更通過極簡的代碼實現顯著提升了模型性能。
爭論的起點源于一位網友對自監督學習模型的質疑。該網友指出，當前研究過度依賴ImageNet-1K分類分數作為評價指標，而真正影響稠密任務（如目標檢測、語義分割）性能的關鍵在于patch tokens中的空間局部信息，而非[CLS]token代表的全局分類能力。這一觀點立即引發了謝賽寧的反駁，他堅持認為高層語義信息與低層像素特征同樣重要，模型性能與ImageNet得分存在強關聯。
隨著討論深入，更多研究者加入這場學術交鋒。有參與者提出通過對比PEspatial與PEcore兩種架構來驗證假設，這種將Gram-anchor對齊到早期網絡層的設計思路得到了謝賽寧的認可。團隊迅速展開實驗，使用G/14架構在448分辨率下進行測試，為后續研究奠定了基礎。
三個月后，實驗結果徹底改變了謝賽寧的立場。新論文通過大規模定量分析覆蓋27種視覺編碼器（包括DINO系列、SigLIP等）和三種模型規模，得出顛覆性結論：表征生成性能的關鍵驅動因素并非全局語義信息，而是空間結構特征。具體表現為：線性檢測準確率僅20%的編碼器，其生成效果反而優于準確率超80%的模型；強行通過CLS token注入全局語義會導致性能下降。
研究團隊進一步發現，具有更強空間自相似性的表征（即圖像局部區域間的關注模式）能顯著提升生成質量。令人驚訝的是，傳統空間特征提取方法（如SIFT、HOG）的表現與現代大規模視覺編碼器相當，這重新定義了空間信息在計算機視覺中的價值權重。
基于這些發現，研究團隊對現有表征對齊框架（REPA）進行關鍵改進：用卷積層替代標準MLP投影層，并引入空間規范化層。這些修改形成的iREPA方法僅需三行代碼即可集成到現有模型中，在REPA、REPA-E、Meanflow等多種訓練方案中均實現更快收斂速度。實驗數據顯示，改進后的方法在稠密任務中的性能提升具有顯著優勢。
這場始于社交媒體的學術爭論，最終演變為推動領域進步的重要突破。論文特別在致謝部分標注了參與討論的網友ID，這種開放包容的學術態度獲得廣泛贊譽。有參與者回應稱："被致謝感到受寵若驚，這種即時糾錯的討論模式值得推廣。"謝賽寧將此次經歷形容為"線上茶水間效應"的實驗，強調從分歧到共識的轉化過程對科學發現的重要性。目前，相關代碼已開源，研究團隊期待更多研究者在此基礎上繼續探索空間信息的潛力邊界。
