一场发生在社交媒体平台上的学术争论，意外催生出一项重要的计算机视觉研究成果。研究人员谢赛宁近日公开表示，其团队新提出的iREPA方法灵感源于四个多月前与网友的线上辩论，这项成果不仅颠覆了传统认知，更通过极简的代码实现显著提升了模型性能。
争论的起点源于一位网友对自监督学习模型的质疑。该网友指出，当前研究过度依赖ImageNet-1K分类分数作为评价指标，而真正影响稠密任务（如目标检测、语义分割）性能的关键在于patch tokens中的空间局部信息，而非[CLS]token代表的全局分类能力。这一观点立即引发了谢赛宁的反驳，他坚持认为高层语义信息与低层像素特征同样重要，模型性能与ImageNet得分存在强关联。
随着讨论深入，更多研究者加入这场学术交锋。有参与者提出通过对比PEspatial与PEcore两种架构来验证假设，这种将Gram-anchor对齐到早期网络层的设计思路得到了谢赛宁的认可。团队迅速展开实验，使用G/14架构在448分辨率下进行测试，为后续研究奠定了基础。
三个月后，实验结果彻底改变了谢赛宁的立场。新论文通过大规模定量分析覆盖27种视觉编码器（包括DINO系列、SigLIP等）和三种模型规模，得出颠覆性结论：表征生成性能的关键驱动因素并非全局语义信息，而是空间结构特征。具体表现为：线性检测准确率仅20%的编码器，其生成效果反而优于准确率超80%的模型；强行通过CLS token注入全局语义会导致性能下降。
研究团队进一步发现，具有更强空间自相似性的表征（即图像局部区域间的关注模式）能显著提升生成质量。令人惊讶的是，传统空间特征提取方法（如SIFT、HOG）的表现与现代大规模视觉编码器相当，这重新定义了空间信息在计算机视觉中的价值权重。
基于这些发现，研究团队对现有表征对齐框架（REPA）进行关键改进：用卷积层替代标准MLP投影层，并引入空间规范化层。这些修改形成的iREPA方法仅需三行代码即可集成到现有模型中，在REPA、REPA-E、Meanflow等多种训练方案中均实现更快收敛速度。实验数据显示，改进后的方法在稠密任务中的性能提升具有显著优势。
这场始于社交媒体的学术争论，最终演变为推动领域进步的重要突破。论文特别在致谢部分标注了参与讨论的网友ID，这种开放包容的学术态度获得广泛赞誉。有参与者回应称："被致谢感到受宠若惊，这种即时纠错的讨论模式值得推广。"谢赛宁将此次经历形容为"线上茶水间效应"的实验，强调从分歧到共识的转化过程对科学发现的重要性。目前，相关代码已开源，研究团队期待更多研究者在此基础上继续探索空间信息的潜力边界。
