近期，RAE（Diffusion Transformers with Representation Autoencoders）提出以「 冻结的预训练视觉表征」直接作为潜空间，以显著提升扩散模型的生成性能。
昨天晚上，我一直很喜欢的字节家的TRAE SOLO，终于正式上线了。 自从他们之前7月21号发了以来，其实就一直在内测，一直能用到的人都不多，而现在，终于全量了。 而且，限时免费。 TRAE国内版正式
试了一下 TRAE 刚更新的 Solo 正式版，发现还是挺厉害的。尤其是这个Solo coder Agent 很强。
前段时间Trae下架了Claude，标志着但凡跟中国沾边AI工具都禁止使用 Claude 但我一点都不慌，因为已经很久没用 Claude 了 尤其在编程赛道上，国产大模型已经通过内部互卷站起来了。
早上工作的时候发现，Trae的模型列表中已经找不到Claude模型了。与此同时，行业群内、包括官方答疑群内也有不少朋友反应，自己的Trae都用不上claude。细心的朋友发现，虽然Claude模型消失了但付费用户的订阅里显示每月增加了300次的快速请求。猜测此举是对claude模型下架的一种补偿。
统一多模态模型要求视觉表征必须兼顾语义（理解）和细节（生成 / 编辑）。早期 VAE 因语义不足而理解受限。近期基于 CLIP 的统一编码器，面临理解与重建的权衡：直接量化 CLIP 特征会损害理解性能；而为冻结的 CLIP 训练解码器，又因特征细节缺失而无法精确重建。例如，RAE 使用冻结的 DINOv2 重建，PSNR 仅 19.23。
对冲基金Praetorian Capital创始人哈里斯·库珀曼（Harris Kupperman）向《每日经济新闻》记者（以下简称每经记者）表示，AI投资从回报上看说不通。整个AI行业需要1万亿美元的收入才能实现收支平衡，而目前行业的月收入仅略超10亿美元。也就是说，要收回目前计划的支出，需要约83年。
长期以来，扩散模型的训练通常依赖由变分自编码器（VAE）构建的低维潜空间表示。然而，VAE 的潜空间表征能力有限，难以有效支撑感知理解等核心视觉任务，同时「VAE + Diffusion」的范式在训练
谢赛宁团队最新研究给出了答案——VAE的时代结束，RAE将接力前行。其中表征自编码器RAE（Representation Autoencoders）是一种用于扩散Transformer（DiT）训练的新型自动编码器，其核心设计是用预训练的表征编码器（如DINO、SigLIP、MAE 等）与训练后的轻量级解码器配对，从而替代传统扩散模型中依赖的VAE（变分自动编码器）。
主打“自动化执行、多模型调用、上下文记忆”的 AI 编程应用大热，但运行卡顿、资源消耗惊人、推理成本过高等问题也随之而来。
