一个词表有 16,384 个格子，实际只用到 5.9%——StableVQ 这篇说的是怎么把每个格子都用上，而它的实话说得比方法本身更值得读
向量量化的老问题是码本利用率：格子备了 16,384 个，真正被激活的可能只有 5.9%。这篇的诊断是"编码器-解码器与码本训练目标纠缠"，三个组件分别修：Dynamic STE 修编码器梯度、Region VQ Loss 修码本目标、Decoupled Schedule 分开两者的学习率。帖子把三个组件都译到了，数字也都对。但我核完全文之后想说的第一件事是：论文自己承认"不增加可学习参数"这句话需要限定。
一、那一格最好看的数字，是鲁棒性不是重建
主表里 StableVQ 跟 FVQ 的 rFID 差距很小（1.22 对 1.70，同为 16,384×256 / 40 epochs）。真正拉开距离的是 UR-AUC：
| 方法 | UR-AUC（分布失配后码本利用率的恢复曲线平均 AUC） |
|---|---|
| SimVQ | 2.17 ± 0.32 |
| FVQ | 8.08 ± 0.24 |
| StableVQ | 60.59 ± 1.52 |
【判断】这才是这篇最该被引用的数字。重建质量差一点可以靠多训几轮补，码本崩了就是崩了——而生成模型一旦在崩掉的 tokenizer 上训完，后面所有算力都白费。UR-AUC 测的是"崩了以后能不能自愈"，这是生产环境真正在意的性质。
论文的机制解释也自洽：Region VQ Loss 把 point-wise 的"只更新被选中的码"改成分布级的"把活跃区域的 target 传播到邻近的未激活区域"。pilot study 里，冻结编码器只训码本时，标准 VQ loss 在 5000 步后还停在约 12.5% 利用率，Region VQ 在第 500 步就到满利用率了。
二、"不增加可学习参数"这句话，论文自己给了脚注
Abstract 写的是 "lightweight and introduces no learnable parameters"。Appendix B 里补了：
"StableVQ 的三项新增机制不增加可学习参数，但其默认的 Linear-1 shared projector 本身仍是可学习的。"
准确的读法是：Dynamic STE / Region VQ target assignment / Decoupled Schedule 这三项参数化开销极小，而不是整个 StableVQ 零参数。底下那个 shared projector 照样是可学习的。
这不是吹牛——"我们三个组件免费"和"我们整套东西免费"是两句话。论文主动把这个区别写进 limitations，值得肯定，但只读摘要的人会记错。
三、跨方法比较这一格，得打折
主表里三个数要摆在一起看：
- IBQ：rFID 1.00，但 usage 只有 84%，训练 330 epochs，且用了更大的 encoder–decoder（表里带 †）
- StableVQ：rFID 1.05，usage 100%，训练 40 epochs
所以 StableVQ 的位置应该这么读：在同等训练预算下（40 或 120 epochs）它把利用率锁在 100% 且重建质量领先；IBQ 是花了 3 倍多的 epoch、换更大的编解码器，才换来一个 84% 利用率下的 rFID 1.00。
另外一处主表里的细节：StableVQ 16,384×256 / 40 epochs 的 LPIPS 是 0.2235，而 FVQ 同设置是 0.2176——这一格 StableVQ 输了。帖子的中文摘要说"重建质量均持续提升"，这句话在 LPIPS 这一列不成立。论文没声称全指标最优，这是转述时该保留的限定。
四、消融表里最有说服力的一格：单独用任何一个都会崩
极端 codebook expansion 场景（Linear-1 projector，码本要扩到远超已有码数）：
| 配置 | 峰值 commit loss | 利用率 | rFID |
|---|---|---|---|
| 无额外策略 | 53.11 | 49.13% | 2.06 |
| 仅 Region VQ | >>200（NaN） | — | — |
| 仅 Dynamic STE | <<0.1 | 1.27% | 6.68 |
| 仅 Decoupled Schedule | <<0.1 | 83.77% | 1.71 |
| 三者同时 | <<0.1 | 100% | 1.70 |
我把它翻译成人话：这三个组件是在互相兜底。Region VQ 给未激活码派了明确的 target，但如果编码器那边梯度不稳（Dynamic STE 缺席），这些 target 会把码本拽崩；Dynamic STE 稳住了编码器，但如果码本没有主动 target（Region VQ 缺席），梯度仍然靠振荡间接传播，训练会一直慢；Decoupled Schedule 单独上能到 83.77%，差的那 16 个百分点是前两者补的。
所以这不是"三个独立改进"，是一个必须成套上的组合。想只抄一个进自己的 tokenizer，八成会掉进 1.27% 或 NaN 那两格。
五、开销实测在附录 D.3，作者主动交代了
16K 码本：Baseline 438.1 ms，Dynamic STE 437.2 ms（没变），Region VQ 440.2–441.2 ms，+0.46% ~ +0.71%；显存 34.06 → 34.07 GiB。
262K 码本：Baseline 462.2 ms，Region VQ 466.2–472.2 ms，+0.85% ~ +2.16%；显存 35.12 → 35.55 GiB。
全部是 training-only，tokenizer 推理结构不变。这组数比"lightweight"这个词有说服力得多。
六、下游生成那半边，是另一回事
训了 class-conditional 自回归 transformer：
| Tokenizer | 生成器 | 参数 | FID | Precision | Recall |
|---|---|---|---|---|---|
| IBQ | IBQ-L | 649M | 2.45 | 0.83 | 0.52 |
| StableVQ | IBQ-L | 649M | 2.18 | 0.82 | 0.59 |
| FVQ | LlamaGen-XL | 775M | 2.07 | 0.83 | 0.58 |
【直引】论文自己的判断：StableVQ 的主要优势在 FID 与 Recall，precision 和 IS 上并非每个设置都优于 IBQ。这个取舍对下游任务意味着什么——更高的 recall 配略低的 precision，通常对应生成更"多样但更容易出废图"。选 tokenizer 时这个方向得按任务定，不能只看 FID 排序。
七、limitations 里还有两条要抄
- "full utilization 可以 guarantee"这句话没有形式化收敛证明。论文说这句话主要靠目标分配设计、pilot study 和实验结果论证，未见相应的形式化证明。所以 UR-AUC 60.59 是实测，不是定理。
- 实验范围只有 ImageNet、256×256、16×16 token grid、VQGAN-style 编解码器。往 video / audio / 多模态表示学习 / 压缩上推广，作者自己说是"未来可能"，未做实验验证。