# 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。

## 推荐理由

谢赛宁团队联合 Adobe Research 和澳大利亚国立大学发布 RAEv2，在 ImageNet-256 上把收敛所需训练轮数从上一代的 177 轮压到 35 轮，计算量维持在 189 GFLOPs。

## 锐评

EPFID@2 从 177 轮压到 35 轮，这个提升幅度挺实在。做图像生成的都知道，验证一个想法最贵的就是等收敛，算力烧在没意义的 epoch 上。计算量还是 189 GFLOPs 没涨，等于同样的卡能多跑五倍实验，对预算紧的团队是实打实的省钱。gFID 1.06 在 ImageNet-256 上算能打，但这类指标各家跑法不一样，先看有没有人复现。参数量和推理延迟没提，训练省下来的钱会不会在推理侧还回去，这个账还没算清。
