2025年10月，清华大学与快手可灵团队联合发布了一种名为SVG的无VAE潜在扩散模型。该模型通过语义+细节双分支和分布对齐技术，在训练效率上提升62倍，生成速度提高35倍，解决了传统VAE因语义纠缠导致的生成效率低、多任务适配性差等问题。SVG基于DINOv3构建语义特征，并引入轻量级残差编码器补充高频细节，实验显示其在ImageNet数据集上的生成质量（FID值1.92）接近顶级模型水平，同时具备图像分类、语义分割等多任务通用能力。团队由清华博士后郑文钊领衔，相关论文已发布于arXiv，代码开源在GitHub。

正文：2025年10月，谢赛宁团队发布新研究，提出用RAE（表征自编码器）替代VAE（变分自动编码器）。RAE结合预训练表征编码器（如DINO、SigLIP、MAE）与轻量级解码器，提供高质量重建和语义丰富的潜空间，支持可扩展的变换器架构。相比VAE，RAE解决了过时骨干网络、信息压缩不足及表征能力弱等问题。实验显示，采用RAE的DiT模型在ImageNet上表现强劲，256×256分辨率下FID仅1.51，且收敛速度比基于VAE的方法快16倍。此外，宽DiT设计、噪声调度和噪声解码器等简单调整显著提升了扩散模型性能。研究论文已公开。