ViQ

ViQ是一个面向多模态学习的视觉离散化表示框架，旨在生成与文本语义对齐、支持任意分辨率输入的量化视觉特征序列。其核心技术结合SigLIP2视觉主干与位置感知的逐头有限标量量化（FSQ）头，兼顾高层语义与细节保真度，输出可直接接入大语言模型（如Qwen2.5）进行理解，或驱动解码器实现高保真图像重建。适用于需要统一文本-视觉离散接口的场景，如多模态大模型训练、跨模态检索、高效视觉编码及生成任务。