MixTok：约131 token 达 gFID 1.95
先了解这件事
2026年10月12日，arXiv cs.CV 刊出论文，介绍 MixTok 这一自适应视觉分词器：以紧凑的 1D 全局表示承载整体信息，再由内容自适应 router 按精修优先级对候选位置排序，在目标平均 token 预算下决定每张图分配的 2D token 数量，并在得分最高的位置用 2D token 特征替换由 1D 表示恢复的空间特征，最终由共享 decoder 重建图像。早先报道仅介绍该方法，未提及基准测试结果、所属机构与开源情况。后续 AGI Hunt 报道补充：该工作由浙江大学联合港科大与阿德莱德大学提出；在 ImageNet 256×256 上，平均约 128 和约 131 个内容 token 时，分别取得 rFID 1.195 和 gFID 1.95。目前仍未见代码或模型开源的信息。
AI 根据报道生成 · 2 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- AGI Hunt浙大 MixTok 混合视觉分词器：约 131 token 达 gFID 1.95
浙江大学联合港科大与阿德莱德大学提出 MixTok 混合视觉分词器，用紧凑的一维全局表征保留整体信息，再由内容自适应路由器按精修优先级挑选高分位置、插入稀疏二维 token 恢复局部细节。在 ImageNet 256×256 上，平均约 128 和 131 个内容 token 下分别取得 rFID 1.195 和 gFID 1.95。每图的二维 token 数量由目标平均 token 预算决定。
- arXiv cs.CVMixTok：结合全局 1D Token 与稀疏 2D 精修的自适应视觉分词器
MixTok 是一种混合视觉分词器，用紧凑的 1D 全局表示搭配稀疏 2D token 做局部精修。内容自适应 router 按精修优先级对候选位置排序，在目标平均 token 预算下决定每张图分配的 2D token 数量，并在最高分位置用 2D token 特征替换由 1D 表示恢复的空间特征，再由共享 decoder 重建图像。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。