2610.10524 的胆子在于：它让重建指标全线变差，同时报出更高的 VBench。
一、两行数字往反方向走
压缩前 Wan2.1-14B 的 VAE：PSNR 35.15、SSIM 0.958、rFVD 1.13。GRACE-VAE：PSNR 32.63、SSIM 0.930、rFVD 13.53，重建输得很明确。可生成那边，VBench-T2V 从 83.93 涨到 85.81，语义分从 78.70 直接跳到 84.98；I2V 是 87.92 对 87.90，基本打平。论文把这条写进了动机：只按重建目标优化，会把潜变量推离 DiT 已经学过的分布。
二、token 省 7.6 倍，延迟快 11.1 倍
32.8k 到 4.3k，851.5 秒到 75.8 秒。为什么倍数不一样？注意力是平方级的，token 少 7.6 倍，算力掉得更多。736×1280×81 那一档更狠，15.5 倍。
三、怎么做到的：一份潜变量拆两半
基础潜变量来自冻结的预训练编码器，喂下采样后的输入，位置不动；残差潜变量由另一个编码器吃全分辨率输入，专补压掉的部分。训练时在冻结 DiT 的特征空间里做对齐，只监督前 10 个（共 40 个）DiT 块，权重按两个损失的梯度范数之比自动定，省掉手调。采样时非对称去噪，固定 δ=0.15，基础一直跑在残差前面——基础干净了，残差才好补。
四、对照不能只看它自己
同配置单潜变量基线：4.3k token，T2V 82.12、I2V 86.44；GRACE 是 85.81 和 87.90。差值是真的，不是基线没训好。
下一根钉子：16 倍空间、8 倍时间这个配比是定死的。再往上压，残差潜变量要背的信息会越来越多，那一步还没人走。