机制是真的，理论是干净的，但摘要最耸动的两条都在正文悄悄改了口径。
① 「PSNR 高于专用解码器」几乎被口径撑大。
Table 1 逐格：
| 层融合 | RAEv2 专用 | FuseReg | 差值 |
|---|---|---|---|
| 全层 k=23（原生） | 27.04 | 27.52 | +0.48 dB |
| 稀疏 k=7 | 22.58 | 23.77 | +1.19 dB |
| 单层 ℓ11 | 14.31 | 25.13 | +10.82 dB |
它买的是「跨配置的均衡」，不是「每个配置下的峰值」。摘要只谈 PSNR 不谈 rFID。
补一条正文自证：全融合 PSNR 其实在 p_dec=0.05 就达峰 28.59 dB（Table C.1），高于 p_dec=0.95 的 27.52——27.52 不是全融合最优，只是「选了兼顾鲁棒性之后」的数。
② 「无需重训练」的真实含义：鲁棒性是训练出来的。
§3.2 式 2：FuseReg 解码器训练了 16 epochs，训练中每个样本独立采一个 Bernoulli(1−p) 的层掩码，按保留层数归一化。所以：
- ✅ 准确含义：这一组权重在推理时可直接换层集合（full / sparse / single），不必为每种层组合各训一个解码器
- ❌ 不是：这个解码器天生就能吃任意层
③ 「27%」是相对降幅、单点估计、落在网格最右端、且基线对不上。
Table D.1，k=23，unguided gFID 随 p_dec：
| p_dec | 0 (RAEv2) | 0.05 | 0.1 | 0.3 | 0.5 | 0.95 |
|---|---|---|---|---|---|---|
| unguided gFID | 3.01 | 3.15 | 3.16 | 2.92 | 2.82 | 2.21 |
| guided gFID | 1.25 | 1.49 | 1.49 | 1.41 | 1.44 | 1.25 |
- 一上来先变差：p_dec=0.05 时 unguided 从 3.01 升到 3.15，guided 从 1.25 恶化到 1.49（§5.2 承认 "temporarily regresses… as high as 1.49"）
- 最好值落在扫描网格的最右端 p_dec=0.95，网格外没有更远的点，无法排除 0.95 之外继续下降——典型「边界最优」
- 3.01 → 2.21 的相对降幅 = 26.58%，四舍五入即 27%。是相对降幅不是绝对，摘要未说明
- 摘要与 §5.2：27% = 3.01 → 2.21，称 "unchanged RAEv2 DiT-XL generator"（Table D.1）
- §5.3 与 Table 2(c)："the stronger DiT-XL baseline (gFID 2.91)"，其网格最优 2.38，相对降幅 18.2%
保守表述：27% 应视为「某一 DiT-XL 复现配置上的相对降幅」，不宜当作 DiT-XL 的普适结论。在同一篇论文自己的 DiT-XL 网格上，换解码器的收益是 18%。
同理 29% 那个（DiT-Base 13.96 → 9.93）基线更弱，与 27% 不可直接比；主结果应算 27% 那一列。
⑤ 三个软肋，全部已坐实：
- gFID 方差：零报告。全文
seed出现 0 次、±0 次、std/CI/error bar 0 次。§B.3 自认「Reported grid entries are point estimates」，§D.2 补充「it is not a statistical interaction test」。相邻网格点差异 0.05 时完全可能是噪声——DiT-Base 网格 p_dec=0.05/0.1 处是 17.28/17.26（相对 13.96 基线大幅变差）随后单调下降，单点噪声若达 ±0.3，「13.96→12.96（改善 1.00）」这种小于噪声的差值不该被当作有效增益。 - CLIP score：全文 0 处。生成侧指标只有 gFID 与 IS，所以「gFID 改善是否伴随语义对齐下降或多样性塌缩」既不能证伪也不能证实。部分反证只能用 IS：它在所有配置下上升（DiT-Base 107.5→125.7；DiT-XL 206.8→218.5），方向与塌缩相反——但 IS 是有饱和、可被 GAN 刷高的指标，不等价于 CLIP score 的语义对齐。这仍是最容易被追问、而作者恰好没答的问题。
- RAEv2 用的是内部引导（internal guidance, scale 1.78），不是标准 classifier-free guidance，指标口径与常规文献不可横比。
理论不是套话，Proposition 2 给出了严格论证：
二阶矩秩为 K，而任何确定性融合秩为 1——这是「确定性融合无法匹配」的严格论证（注意只到二阶矩，不是分布等价）。Lemma 1 给出 \(c_K(p)=\mathbb{E}[(K-R)/(R(K-1))]\)，Proposition 1 给出损失分解 \(L_{dec}=L^0_{dec}+c_K(p)\cdot\mathrm{tr}(D\Gamma D^\top)\)——这就是「显式惩罚跨层分歧」的精确出处。
但没有任何收敛界。grep convergence|converge|bound 只命中 GAN 两时间尺度 Nash 均衡的引文与支撑集大小界。§7 Limitations 自认：目标分解 "assume homogeneous linear predictors and squared loss"，"the reconstruction and generation benefits in nonlinear models are established empirically"。
⑦ 一个很漂亮的权衡证据，和一处可引用的反直觉解释。
k=7 → k=23 时：PSNR 22.58 → 27.04 dB（+4.46），但 unguided gFID 1.65 → 3.01（变差 82%）、guided 1.06 → 1.25。像素细节与生成友好度分处天平两端——这正是标题「reconstruction–generation gap」的具象化。
§6 这句话可以原样引用：
> improving the readout of a fixed representation can improve generation even when the generator and sampled latents are unchanged.
Figure 1 还有一个动机最足的实证：可学习门在 DINOv3 上收敛到最浅层，深层权重衰减到 0，GAN 介入后加速——「启发式/确定性融合会退化成浅层捷径」的直接证据。
消融缺口三项：
- 「随机 vs 结构化子集」对照实验——查不到。p_dec 的 8 点扫描是性能扫描，不是对照实验；§A 只在概念上讨论 nested dropout 与 FuseReg 的差异
- 子集大小对 PSNR 的数值表——只有图（Figure 2a / C.2），无数值
- 多 seed——无
总结：把「27% 免训练适配」这个说法拆开——27% 那一列的解码器是训练过的（p_dec=0.95，16 epochs），论文只保证生成器不用动；「免训练」指的是下游换配置时不必重训解码器。这两件事在帖子里被混成了一句。
机制扎实、理论精确、自我限制诚实——但报数方式需要按「单点估计的相对降幅」来读，且 CLIP score 那一栏的空白，是这篇最容易被追问的地方。
*（SVG 动画卡：悬停/加载后动起来；静态截图看不全信息，数字以正文为准。）*