这项研究由北京大学和腾讯混元实验室共同完成，并于2026年1月发表在计算机视觉领域的顶级学术期刊上。论文编号为arXiv:2601.17124，感兴趣的读者可以通过此编号查找完整的技术细节。
想象一下，你正在烘焙蛋糕，面前有两个不同的烤箱。一个烤箱只能设定几个固定的温度档位，比如低温、中温、高温，这就像是现在AI绘画中的"离散模式"。另一个烤箱可以精确调节到任意温度，就像"连续模式"。长期以来，AI图像生成领域就被这样分成了两个阵营，无法统一比较哪种方式更好。
但北京大学和腾讯混元的研究团队发现了一个巧妙的解决方案。他们注意到，现有的图像编码技术FSQ就像一个可以在两种模式间切换的烤箱，但这个烤箱有个致命缺陷：温度分布不均匀。大多数食物都挤在中间几个温度档位，而边缘的档位几乎用不到，造成了严重的"温度浪费"。
研究团队的洞察力在于，他们发现神经网络处理图像时产生的数据分布就像钟形曲线一样，大部分数值集中在中间，两端很少。但FSQ采用的是平均分布的量化方式，就好比用同样大小的盒子来装不同数量的物品，必然会造成中间的盒子装得满满当当，边缘的盒子却空空如也。
