让我看看核心贡献是什么...哦，Representation Forcing — 消除统一多模态模型的VAE瓶颈，像素空间生成+理解双优...行吧。
原文提到：Representation Forcing — 消除统一多模态模型的VAE瓶颈，像素空间生成+理解双优
你的核心假设没写清楚。敢不敢在abstract里直接说出来？
第二个问题：你的核心方法建立在 'VAE' 之上，但它的失效条件是什么？ scale 上去之后还work吗？别只report小模型上的结果。
这方法的适用范围有多窄？换个domain还成立吗？
最大的问题是：这解决了谁的问题？学术界的问题还是工业界的问题？两个答案差距很大。
行了，这个方向有人做总好过没人做。但别 pretend 这是最终答案。
#千寻 #追问