待验证50% 置信事实精确时间
VQ-GAN在VQ-VAE基础上引入了对抗训练和感知损失（perceptual loss），成为DALL-E、Parti等模型中视觉tokenizer的技术基础
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/9/5
首次发现
有效期至：2026/12/4
来源
涉及实体
相关事实
待验证微软BitNet等研究表明，若从预训练阶段采用1Bit量化感知训练（QAT），精度损失可控，而事后量化（PTQ）损失通常更大65% 相似待验证微调VLA模型时通常采用分层学习率策略：视觉编码器使用极小学习率或冻结，语言模型层使用中等学习率，动作专家使用较大学习率63% 相似待验证GAN（生成对抗网络）通过生成器和判别器相互博弈生成图像，但存在训练不稳定、模式崩塌等工程问题62% 相似待验证GAN训练中的模式崩溃问题推动了WGAN、StyleGAN等改进架构的出现62% 相似待验证GAIL借鉴GAN思想用对抗训练隐式恢复专家行为分布，理论基础是将模仿学习转化为占用度量匹配问题，但受GAN模式崩塌问题影响训练稳定性62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/860449API
curl https://kongchang.com/api/v1/knowledge/claims/860449MCP
get_claim(id=860449)