arXiv new; ECCV 2026; visual tokenizer · P0 · 2026-06-27

ViQ：它和通用视觉自监督的关系在于：任意分辨率视觉输入被压成 text-aligned discrete representation，直接影响统一多模态模型的视觉 token 接口

高相关；详见方法、贡献和实验边界。

ViQ: Text-Aligned Visual Quantized Representations at Any Resolution　arXiv new; ECCV 2026; visual tokenizer　原文链接

编号2606.27313 优先级P0 类别arXiv new; ECCV 2026; visual tokenizer 会议arXiv new; ECCV 2026; visual tokenizer 方法任意分辨率视觉输入被压成 text-aligned discrete representation，直接影响统一多模态模型的视觉 token 接口来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：任意分辨率视觉输入被压成 text-aligned discrete representation，直接影响统一多模态模型的视觉 token 接口。高相关；详见方法、贡献和实验边界。

**(a) Comparison of Forward Time of MLLMs with Diferent Visual Encoders**(a) Comparison of Forward Time of MLLMs with Diferent Visual Encoders这张图/表用于判断 ViQ 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

**(b) Comparison of Step Time of MLLMs with Diferent Visual Encoders Fig**(b) Comparison of Step Time of MLLMs with Diferent Visual Encoders Fig. 3: Comparisons on Training Efficiency Across Different Visual Encoders. We conduct the experiments to compare the efficiency of ViQ and SigLIP2-g on the 4k and 16k training.这张图/表用于判断 ViQ 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：任意分辨率视觉输入被压成 text-aligned discrete representation，直接影响统一多模态模型的视觉 token 接口。

方法拆解

任意分辨率视觉输入被压成 text-aligned discrete representation，直接影响统一多模态模型的视觉 token 接口

主要贡献

高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。