# 谢赛宁团队发布第二代表征自编码器 RAEv2，训练效率大幅提升

> 原标题：刚刚，谢赛宁团队放出第二代表征自编码器

- 来源：机器之心 · 公众号
- 发布时间：2026-05-21T03:03:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/25473
- 原文：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651034260&idx=2&sn=3b6bb8eeaf3ee411d721c1981557b1f2

## 摘要

谢赛宁团队、Adobe Research 和澳大利亚国立大学放出了 RAEv2。在 ImageNet-256 上训练 80 轮后，生成质量指标 gFID 做到了 1.06。更关键的是效率：衡量收敛速度的 EPFID@2 从上一代需要的 177 轮训练直接压缩到 35 轮，计算量维持在 189 GFLOPs 没涨。不过正文因为微信环境验证拦截，具体用了什...

## 推荐理由

谢赛宁团队放出了第二代表征自编码器 RAEv2，核心卖点是训练快了很多——原来要 177 个 epoch 才能拿到的 EPFID@2 分数，现在 35 个 epoch 就搞定，ImageNet-256 上 80 epoch 的 gFID 压到 1.06。对做图像生成的团队来说，这意味着用更少的算力、更短的等待时间就能验证想法，成本上会友好不少。不过正文没披露模型参数量和实际推理延迟，这点先别太激动，等他们把推理侧的账算清楚再看。

## 锐评

谢赛宁团队放出的 RAEv2 在 ImageNet-256 上跑 80 轮后 gFID 做到 1.06，这个生成质量指标本身不错，但更值得看的是效率提升：衡量收敛速度的 EPFID@2 从上一代需要的 177 轮训练直接压缩到 35 轮，而计算量维持在 189 GFLOPs 没涨。翻译成人话就是，用同样的算力，模型学得快了五倍。

不过这条消息有个硬伤——原文因为微信环境验证被拦截，我们只拿到了摘要里的数字，具体用了什么方法、改了哪些结构、有没有牺牲其他指标，正文里一概看不到。摘要里那句"具体用了什..."后面直接断了，说明关键信息是缺失的。

所以目前只能根据已有数字判断：如果 35 轮收敛这个数据在完整论文里站得住，那 RAEv2 在训练效率上确实往前走了一大步。但还缺消融实验、不同分辨率下的表现、以及和扩散模型等其他路线的横向对比，这些都得等看到完整论文才能下结论。