论文链接：

• Read, Allocate, Route: Role-Coupled Tokenization for Pixel-Space Generative Transformers (SpecSlot, arXiv:2610.40647)
• Youtu-Parsing-Omni: One Encoder, One Schema, All Modalities (arXiv:2610.39301) 代码：
• SpecSlot：github.com/JiongfanYang/SpecSlot（模型在 HuggingFace Gokottaw434/SpecSlot）
• Youtu-Parsing-Omni：github.com/TencentCloudADP/youtu-parsing（模型在 HuggingFace tencent/Youtu-Parsing-Omni） 发表时间：均于 2026 年 10 月 29 日提交 arXiv 机构：
• SpecSlot：北京大学 + 南洋理工大学 + 商汤（SenseTime）
• Youtu-Parsing-Omni：腾讯优图（Youtu Team） 领域标签：cs.CV（生成模型架构 / 多模态文档与内容解析）

一、引言：Transformer 的 token，到底该长什么样

2026 年的视觉模型研究里，有一个问题正在被反复重新审视：一个 token 到底该承担什么职责？

在经典的 ViT 范式里，这个问题不存在答案分歧——图像切成 patch，一个 patch 一个 token，所有 token 进同一个注意力序列，端到端一视同仁。这个设计简单、可扩展，统治了视觉领域五年。但它有一个隐含的强耦合：你看到的（输入粒度）、你产出的（输出粒度）、你通信的（注意力序列长度）被同一个 patch 网格绑定。想要更细的输出？缩小 patch。但 patch 一小，token 数就多，二次方注意力成本随之暴涨。256×256 图像上把 patch 从 16×16 缩到 8×8，token 从 256 涨到 1024，dense attention 的二次项直接放大 16 倍。

本篇精读的两篇论文，从两个截然不同的战场对准了这同一个耦合。

• 第一篇是 SpecSlot（北大 + 南洋理工 + 商汤），做像素空间图像生成。它的观察是：更细的输出细节并不需要成比例更多的全局通信——低频结构受益于长程交换，高频细节大体是局部的。于是它把 token 化重构为一个显式的「分配」问题：空间锚点密度 W 与谱细分 K 是两个独立变量，每个 slot 持有固定的频段输出权，而只有最低频 slot 有资格进全局注意力。输出细节从此与全局序列长度解耦。
• 第二篇是 Youtu-Parsing-Omni（腾讯优图），做全模态解析。它面对的是另一个方向的浪费：文档、图像、音频、视频四类输入，惯例是每个模态一座预训练塔（视觉一座 ViT、音频一座 AuT），参数不共享、时间轴各自为政、跨模态关系全靠语言模型在下游猜。它的回答是激进的一元化：一个编码器（Youtu-Omni-Encoder）、一个输出模式（OmniSchema），视觉 token 和音频 token 写进同一套 (t,h,w) 旋转位置编码，在同一些融合层里完成跨模态对齐。

两篇论文一个生成、一个理解，一个学术联合、一个工业自研，看似毫无交集。但把它们并排放读会发现一条共同的主线：token 不再是均质的补丁，而是带角色的单元；通信不再是全员广播，而是按角色路由。SpecSlot 的路由依据是频率角色（谁持有最低频段谁当载波），Youtu 的路由依据是时空窗口（帧与同时刻音频在融合层互看）；SpecSlot 用角色分化换取注意力的可负担性，Youtu 用角色统一换取感知的共享与对齐。一个做减法（把全局通信砍到只剩载波），一个做加法（把两座塔合成一座）——但都是在回答引言里那个问题：token 的职责划分，应当成为架构设计的显式变量，而不是 patch 网格的隐式副产品。

下面依次深入两篇论文，最后回到这条共同主线上做对比。

第一篇：SpecSlot——读、分配、路由

二、论文一：题目与背景

2.1 题目拆解

论文标题「Read, Allocate, Route: Role-Coupled Tokenization for Pixel-Space Generative Transformers」三个动词正是方法的三个阶段：Read（空间锚点读入证据）、Allocate（锚点扩展为 slot 并分配频段）、Route（按角色决定通信）。副标题里的「Role-Coupled」（角色耦合）点出核心机制：token 的输出角色（持有哪个频段）与通信角色（进不进全局注意力）被绑在一起定义——这正是引言里那个耦合的镜像反转：原来三个量耦合在 patch 网格上，现在输出与通信耦合在角色上，且这个耦合是设计出来的、有物理依据的。

2.2 背景：像素空间生成的成本困境

扩散与整流模型本就计算昂贵，像素空间生成更是雪上加霜——它绕开了单独训练的自编码器及其压缩瓶颈，直接从噪声学像素，代价是全分辨率图像必须表示为 Transformer token。现有方法从不同方向压缩成本，但论文指出它们大都保留了输出细节与 token 通信之间的耦合：

• JiT 把每个 patch token 都送进全局序列；
• 多尺度系统把细节挪到额外阶段或 detailer 头（PixelDiT、DiP、HyperDiT、PixNerd）；
• 高效注意力方法用通用模式缩短序列（窗口、少量全局 token、可学习稀疏）；
• Spectral Forcing 引入频率结构，但只用于过滤噪声输入，token 仍是空间 patch。

这些设计的共同前提：token 是一块空间补丁，更细的细节与更宽的通信绑在同一个网格上。DeCo 把低频高频分给 DiT 与像素解码器两个组件、DiMSUM 交替空间与小波子带处理，是最近的邻近工作，但论文强调它们没有「在单一像素空间骨干内，用固定谱分组同时作为每个 token 的输出所有权与通信资格」。

2.3 核心洞察：细节不需要成比例的全局通信

转机来自频域的一个朴素观察：低频结构承载图像的全局组织，受益于长程交换；高频细节大体局部。一个承载全局结构的 token 值得与整张图交换信息，一个承载细节的 token 多半不需要。然而在现有设计里，token 通信什么由它坐在哪决定，不由它生产什么决定。论文提出的反问是全文的支点：一个 token 的输出角色，能否也决定它该怎么通信？

三、论文一：定位与问题定义

SpecSlot 把自己定位为像素空间 rectified-flow Transformer 的 token 化重设计，目标函数完全沿用 JiT 的像素空间整流目标：噪声与图像在线性路径 z_t = t·x + (1−t)·ε 上混合，网络输出图像形预测 r_θ 后经钳制转换为速度，训练最小化速度 MSE。生成状态、目标、损失全部留在像素空间——这是与 DCTdiff 等变换域生成方法的分界线：频率结构进入架构，但不进入目标。

问题定义的核心是引入两个独立的分配变量：

• W（锚点密度）：输入侧以 s×s 的 cell 划分，W = (H/s)²，控制「读」的密度；
• K（谱细分）：每个锚点扩展出 K 个 slot，每个 slot 持有 L×L 输出窗口里互不重叠的一组径向 DCT 系数（E = L²/K 个每通道），控制「写」的精度；
• 总 token 预算 N = W·K，但全局注意力序列只含 W 个载波。

这把 token 化从「选一个 patch size」的单变量决策，变成「锚点密度 vs 谱细分」的显式质量-算力分配问题：固定 N 时，W 与 K 可以互相取舍，输出细节可以随 K 增长而全局序列钉死在 W。注意力二次项的量级对比一目了然：patch 网格 ∝ (WK+C)²，SpecSlot ∝ (W+C)² + WK²。

四、论文一：解法——Read / Allocate / Route 三部曲

4.1 Read：空间锚点与 slot 扩展

输入证据由锚点网格收集，与输出如何划分无关。每个 s×s cell 经共享投影 P₁ 映射为锚点向量 u_i（宽度 B 自由可选，因为输出数量不再依赖它——这是与 patch 嵌合的本质区别）；一个零初始化的残差深度 3×3 卷积让相邻 cell 在分裂为角色前交换证据；再经共享 1×1 投影 P₂ 扩展为 K 个隐藏态 q_{i,k}，附上二维锚点位置与可学习 slot 位置。关键设计：一个锚点向量播种全部 K 个 slot，角色来自 slot 位置、输出头与路由，不来自输入。所有 W·K 个 slot 在每个流时间步都被求值。

4.2 Allocate：径向系数分配与双基输出

「谁生产什么」由 DCT 域的径向分配回答。输出窗口（边长 L = 2s）的 DCT-II 系数按 √(u²+v²) 排序切成 K 个等分组，slot k 持有第 k 组——低径向频率承载宽结构、高频率承载细节，自然图像谱沿此序平滑衰减，径向分裂无需任何可学习的分配就把角色从全局排到局部。不相交的组覆盖整个网格：每个系数恰好被预测一次。共享仿射头从 slot 终态预测持有的系数——共享是刻意的：定义所有权的是 slot 索引，不是逐带参数。

解码端有两个精细处理：

• 重叠合成（lapped synthesis）：窗口独立解码会让邻居在共享边缘上自由分歧、出现块缝。SpecSlot 用 50% 重叠 DCT 框架的合成半：逆 DCT、平方根周期 Hann 窗、归一化 overlap-add。相邻窗口共享一半像素，匹配的分析-合成框架保证完美重构（浮点误差以内）。消融显示 50% 重叠比不重叠改善 FID 6.78 → 6.59，几乎不加前向成本。
• 锚点对齐空间修正头：同一批 slot 状态还直接读出到像素空间——slot k 写入其锚点 cell 确定性行主序 tiling 的第 k 块（K=4 时为四个 8×8 象限）。投影逐 slot 特化、零初始化，训练从纯谱模型出发。最终预测 r_θ = r_spec + r_sp：两个基表达同一预测，空间修正只增输出参数，不增 token 状态或注意力边。

4.3 Route：载波与局部注意力

「谁需要全局通信」由角色路由回答。若所有 slot 都进全局注意力，二次成本随 K 增长——恰好重新引入 slot 分配想要移除的耦合。SpecSlot 的方案：最低径向组的持有者 slot-0 是载波（carrier），是唯一进入全局阶段的 slot；全部 K 个 slot 在锚点内局部混合。具体调度为 GGLL（全局-全局-局部-局部）×3：两个连续块处理全局集（32 个类别上下文状态 + 各锚点的 slot-0），两个块处理各锚点的局部集，重复三轮，共六个全局块与六个局部块。载波把全局信息带回锚点、再把局部细节带进下一个全局阶段——它是锚点与世界之间的唯一信使。

ImageNet-256（s=16, K=4）下，全局序列只有 W + C = 288 个 token，而非 W·K + C = 1056。这就是「输出细节与全局序列解耦」的具象数字。

五、论文一：实验证据

5.1 主结果：两个非支配操作点

ImageNet-256 上（120 epoch、有效 batch 512、五种子平均）：SpecSlot-K2 FID 7.27 @ 219.49 GFLOPs、SpecSlot-K4 FID 6.59 @ 215.20 GFLOPs（IS 215.20）。与同算力 JiT-CM（124.24 GFLOPs，FID 6.68）相比，K4 在五种子 95% 区间内打平且前中段 checkpoint 下降更快（Figure 4：可比算力处 FID-10K 6.83 对 13.59）；JiT-B/8 仍以 4.34 领先，但成本 225.72 GFLOPs。

真正的分水岭在 ImageNet-512：每个锚点覆盖四倍像素而全局序列钉在 288，更大的谱窗口与空间修正可以吸收锚点内细节而无需全局通信。SpecSlot-K4 拿到 FID 9.14、IS 208.24（panel 最高 IS）@ 135.64 GFLOPs：

• 较 FLOPs 匹配的 JiT-CM（141.21 GFLOPs，FID 11.98）FID 低 2.84 且算力少 3.9%；
• 距 JiT-B/16（219.56 GFLOPs，FID 8.45）仅 0.69 FID，但成本低 38.2%、吞吐高 1.6 倍（12.69 vs 7.93 img/s）；
• 低成本点 K2（FID 10.94 @ 94.52 GFLOPs）距控制仅 1.04 FID 而算力省 33.1%。

文本生成图（256²，BLIP3o + JourneyDB 混合训练 400 epoch）：SpecSlot-W256/K4 在 DPG-Bench 拿到 62.21，超 JiT-B/8（61.15）1.06 分且前向成本低 40.6%（129.86 vs 218.77 GFLOPs）；GenEval 26.99 超 JiT-B/16 的 24.89。值得强调：这次迁移没有对架构或训练目标做任何 T2I 专属改动——文本上下文通过 32 查询适配器进入载波状态，局部块继续处理图像 slot。

5.2 通信调度消融：GGLL 为什么是对的

Table 3 在固定 W256/K4/B1536 下比较四种路由（效率列来自一次剖析）：

三个读数：GGLL 在等算力下同时比 Dense-global-CM 更好且更快；Full-global 能到更低 FID 但成本高 74.8%、吞吐更低——载波设计瞄准的是注意力受限的中间档，较 Full-global 省 42.8% 成本；GLGL 证明块顺序也重要（同载波集、同预算下 FID 差 0.36）。采样效率在 20/30/50 Heun 步长下一致：GGLL 吞吐是 Dense-global-CM 的 1.47–1.49 倍。

5.3 载波身份：slot-0 不是随便选的

Table 7 只改「哪个 slot 获得跨锚点访问权」，其余全部冻结：slot-0（最低径向）FID 6.59，换成 slot-1/2/3 分别 6.91/7.21/6.97——换任何一个都变差。这个分配有流时间维度的解释：论文测量每个径向组的数据噪声比（DNR）穿越时间 t*（信号首次超过噪声的流时刻），W256/K4 配置下四组依次为 {0.468, 0.891, 0.928, 0.951}——最低组远早于其余组可用（W256/K8 下首组 0.382，其后 0.836 起）。把最早可恢复的角色放在最早的全局路径上，是 Route 设计的物理依据。

配套的路由干预实验（Figure 6c）：在共享 Transformer 内只删路由边——删跨锚点载波边主要伤害早期与低频，删锚点内跨带边主要伤害后期与高频。频组恢复曲线与路由干预互相印证了角色分配的正确性。

5.4 分配轴与输出基的解剖

• W 改善读、K 精化写，二者不可互换（Table 4a）：固定 N=2048，W1024/K2（5.66）优于 W256/K8（6.28）优于 W64/K32（7.28）；固定 W=256，K 从 2 到 8 单调改善但收益递减（7.39 → 6.59 → 6.28，最后一次翻倍只买 0.31）。熵有效 slot 占比从 K=2 的 0.803 降到 K=8 的 0.495——token 数量本身不度量有效容量，这解释了递减收益，也解释了为什么选 K2/K4 作双操作点。
• 双基输出互补（Table 4b）：单基四组合里最好的「空间入/空间出」FID 6.99，双基（空间入/频率+空间出）6.59——再降 0.40 而不加 token 与跨锚点注意力边。机理分析（Figure 7）：谱项自能更大、空间项份额沿流从 0.07 涨到 0.23、归一化交叉项恒正（两项相互强化而非抵消）；在匹配 lapped-DCT 分析帧下投影，空间份额在最低径向组最小、流的后期主导高组。反事实缩放实验里去掉任一支都会抬升速度 MSE（t=0.90 时空间项 32.1 倍、谱项 64.1 倍）——谱基底是全程的脚手架，空间分支是后期、高频的补充修正。
• 组件层面：证据宽度 B=1536 最优（6.59，优于 1024 的 6.77 与 2048 的 6.64）；残差深度输入 mixer 改善 6.83 → 6.59。

5.5 训练契约与统计严谨性

附录给出的实现契约相当完整：768 隐藏宽、12 头 12 块、pre-RMSNorm + SwiGLU、AdaLN 条件化、logit-normal 时间采样；ImageNet-512 版本 160.86M 可训练参数、Heun-50 吞吐 12.69 img/s。主表数字全部是五个独立训练种子的均值（K4 五种子 FID 均值 6.5921、95% CI [6.386, 6.798]），消融三种子、配对 checkpoint 共享类序与噪声抽样；CFG 经粗到细扫描（JiT 用 2.9 匹配 SF 协议，SpecSlot-K4 用 4.0）；FLOPs 在单张 H800 BF16 全网络 TorchInductor 下剖析。这种「控制变量 + 多种子 + 配对评估」的实验卫生在架构论文里属于示范级。

六、论文一：知识反推——复现它你需要知道什么

领域层：

• 像素空间生成的家谱：Simple Diffusion / Hourglass DiT 在内部降状态、级联与 PixelFlow 跨分辨率分配生成、JiT 证明大 patch 直连 Transformer 即强基线、PixelDiT/DiP/HyperDiT/PixNerd 把细节恢复外包给额外组件——不知道这条线，就不知道 SpecSlot「单骨干内分配」的定位价值；
• 变换域生成脉络：逆热耗散、小波模型、稀疏变换码、DCTdiff 改的是表示或过程；VAR/NFIG 按尺度或频率组织生成顺序；Spectral Forcing 用频率过滤噪声输入——SpecSlot 与它们的分界是「固定谱分组 = 输出所有权 + 通信资格」且状态留在像素空间；
• 全局-局部通信文献：Swin 移位窗口、Longformer 少量全局 token、Perceiver 潜在瓶颈、RIN 接口状态、可训练稀疏注意力——这些拓扑都不把通信资格绑到固定谱输出角色上；
• lapped 正交变换（平方根 Hann 窗 + 归一化 overlap-add 的完美重构条件 Λ 归一化、QP = I）——重叠合成的信号学基础。

方法论层：

• 把耦合变量拆成独立分配轴：N = W·K 的因式分解让「读密度」与「写精度」第一次可以独立消融——任何被单一超参（patch size、序列长度）绑架的设计都值得做这种因式分解；
• 用可测物理量给路由背书：DNR 穿越时间 t* 是纯描述性测量（非学习门控），但它预言了 slot-0 应为载波，消融证实——先测「哪个信号最早可用」，再决定「谁先通信」；
• 冻结式机理探针：载波身份消融只改图不改训练；路由干预在共享 Transformer 内删边而非重训对照——把「训练出来的差异」与「机制本身的差异」分开归因；
• FLOPs 匹配控制的构造：JiT-CM 用 128 维输入瓶颈 + 32 上下文 token 插在第 4 块，把对照钉在等前向成本上——架构对比若不匹配算力，结论不可信；
• 熵有效秩诊断 slot 利用率：解释为什么 K 有甜点区、为什么 token 数≠容量。

融合关键节点：Read（锚点+扩展投影，角色由 slot 位置赋予而非输入）→ Allocate（径向 DCT 分组 + lapped 合成 + 零初始化空间修正头）→ Route（GGLL、载波唯一跨锚点、上下文只进全局组）→ 双基输出（谱脚手架 + 空间后期修正）。四个部件互相成就：没有径向分配就没有载波的物理依据；没有零初始化修正头，训练初期就无法从纯谱模型平滑启动；没有 lapped 合成，块缝会在早期训练毁掉谱基底的信噪。

七、论文一：通用灵感

1. 通信预算应按信息需求分配，而非按空间位置分配。「细细节不需要成比例的全局通信」这个观察可以迁移到很多地方：视频生成的时空 token、长文档理解的段 token、多智能体的消息路由——先问「这个 token 生产的信息需要多宽的交换」，再决定它进不进贵的通信。
2. 把一个超参拆成两个，就多出一条帕累托前沿。patch size 是单变量，W×K 是双变量——后者允许「细节涨、全局不涨」的操作点。设计里凡有「一个旋钮同时拧两件事」的地方，都藏着一次这样的解放。
3. 用可测的物理量（如 DNR 穿越时刻）为架构决策背书，比纯消融更有解释力：消融告诉你「什么好」，物理量告诉你「为什么注定好」。
4. 同一状态、双基读出是免费的多样性。谱基底与空间修正共享 slot 状态，互相强化而非冗余——当单一输出表示存在系统性盲区（如谱基底的早期块缝），补一个零初始化的异构读出头，比加 token 便宜得多。
5. 等算力对照 + 多种子 + 配对采样是架构论文的信誉基础设施。SpecSlot 的 0.69 FID 差距之所以可信，是因为它钉在 38.2% 成本差、五种子区间与共享噪声抽样上。

第二篇：Youtu-Parsing-Omni——一个编码器、一个模式、所有模态

八、论文二：题目与背景

8.1 题目拆解

标题三个短语对应三重承诺：「One Encoder」——像素与声学 token 由同一个文本 LLM 初始化的 Transformer 编码，共享权重与位置编码；「One Schema」——十类解析任务的输出统一为一个 JSON 模式（OmniSchema），每个单元被空间 box 或时间戳锚定；「All Modalities」——文档、自然图像、音频、视频（含音轨）一次前向全解析。论文把它定位为Agent 的感知层：把非文本输入一次性转成结构化文本记录，任何 LLM（包括纯文本模型）都能读取并在其上行动，声明可以顺着锚点回溯到源区域或时间间隔。

8.2 背景：为什么解析需要全模态统一

LLM Agent 越来越多地在自己参数之外行动：检索证据、调工具、操作电脑屏幕。这些信息大量以文档、图像、音频、视频形态到达。让驱动 Agent 的模型直接消费原始输入有两个问题：每次重访材料都要重新编码长序列的视觉与声学 token（昂贵），且从像素或波形得出的答案无法指明哪个区域或区间支持它（难审计）。全模态解析同时解决两者。但现状是碎片化的：文档解析器在标准页面上很强，化学结构与乐谱仍留给领域模型；图像之外的解析刚刚起步；不同输入类型由不同模型以不同格式服务——而目标输出其实是同构的：一个单元被锚定在空间或时间上、配着从对应区域/区间抽取的内容。

8.3 两大挑战

• C1 跨模态联合感知：惯例的双塔设计（视觉塔 + 音频塔）有三重后果——各模态孤立编码、跨模态融合被推迟给语言模型；两塔时间索引独立、同一瞬间的帧与声音在感知内没有共同时间位置；每塔需要自己的架构/目标/预训练，参数不共享。前两条对解析尤其致命，因为结构化解析必须显式陈述哪些内容跨模态共现、何时共现。
• C2 跨任务联合优化：同一个模型要在十个输出字段各异的任务上，同时对内容准确性、时空锚定、模式有效性做优化。SFT 只在参考前缀上训练、永远见不到自己推理时产生的前缀；RLVR（GRPO 等）在自己的输出上训练但需要难以跨异质准则定义的标量奖励、且只有序列级反馈。

九、论文二：定位与问题定义

Youtu-Parsing-Omni 是一个由单一感知编码器供料的 decoder-only 语言模型：接受文本、图像、音频、视频，只输出文本。两条设计原则塑造编码器：每个模态被相同权重以相同时空位置编码读取；这些权重从一个已经会「把上下文映射到符号」的模型（预训练文本 LLM）出发。第一条把感知容量跨模态摊销而不是每模态复制一座塔；第二条瞄准解析的根本能力——读出符号。

问题定义因此可以概括为两个「统一」的构造问题：感知侧如何用一个 Transformer、一套位置编码、一种注意力窗口组织混合模态序列（第 2 节）；输出与训练侧如何用一个模式统一十个任务的监督信号并让蒸馏按 token 角色分化（第 3、4 节）。

十、论文二：解法——编码器、模式与自进化蒸馏

10.1 Youtu-Omni-Encoder：三段式管线

管线中段共享、两端轻量模态特化：stem 把原始输入变成 d 维 token，共享 Transformer 上下文化，merger + projector 降采样并投影到解码器宽度。stem 与 projector 合计不足编码器参数的 3%——加一个模态只需要一个新 stem 和投影头，而不是一座带独立预训练谱系的第二塔。

• Stem：视觉侧是单个线性映射（16×16 patch、原生分辨率、token 预算内），无卷积、无绝对位置表、无 class token——全部空间信息走 RoPE；音频侧 log-mel 谱经三层步长 2 卷积降采样，固定 13 token/秒 的音频 token 率。
• 共享块：28 层、宽 1024、GQA + QK-Norm + SwiGLU 的标准 pre-norm 块，注意力双向；任意图像/音频块/视频的混合打包进一条变长序列，注意力窗口由累积长度向量 c 给出，一次编码器前向处理整包、无 padding。编码器从 Qwen3-0.6B-Base 初始化（去掉嵌入层与 LM 头），stems 与 projectors 随机初始化。
• Merger/Projector：共享块后，帧内相邻 2×2 视觉 token 沿特征轴拼接、相邻音频 token 沿时间拼接（4 倍 token 缩减，如 448×448 图给解码器 196 token），再各自过 RMSNorm + 两层 MLP 投到解码器宽度。降采样放在共享块之后——注意力全程全分辨率，解码器拿到的是精简 token。

10.2 统一位置编码与音视频融合

共享一个 Transformer 让位置编码成为中心设计问题：一个 d_rot=64 的旋转频率预算要同时表达 2D 版面、1D 时间、以及两者的对应关系。解法是分块轴分解 RoPE：预算切成 T/H/W 三段近等宽连续段（21/21/22），每段有自己的逆频表并按自身宽度归一化——每个轴无论分到几个槽都覆盖全频率范围。视觉 token 的 t 取帧索引、(h,w) 取 patch 位置；音频 token 的 t 取时间偏移、h=w=0。两种模态写进同一个 T 段，时间位置在同一时间尺上可比。模态身份留给特征——两个 stem 产出的特征分布天然可分（显式模态轴与交错布局两个变体都被试过且最终弃用，前者无增益、后者在 64 帧视频内逊于分块布局）。

共享时间线让位置可比，但不让 token 互动；互动由融合层提供。视频有两条共享全部权重的路线：独立路线（每帧、每音频块各自成窗，如一批无关图像）与融合路线（按时间序打包，融合层里把「一或多个帧 + 其后直到下帧的音频块」切成 (I+A*) 组，每组一个注意力窗口）。窗口内视觉与音频在绑定于音频 token 率的公共时间尺上推进（Δt_audio = 1/token，Δt_vision = r_a/fps 每帧）。28 层中的第 13、14、27、28 层是融合层；训练从 Stage 2 起以 p_fus=0.8 随机路由，两条路线在推理时都可用。哪一帧讲什么话、哪页幻灯片配哪段解说——这种对应关系在感知内计算，而不是由解码器重建。

10.3 OmniSchema：十个任务一个 JSON

模式的结构骨架：每个输出是 JSON 对象，必含 modality、锚定单元列表（图像为 elements：box 归一化到 0–1000；音视频为 segments：HH:MM:SS 秒级时间戳 + 一致的说话人标识）、global_description。十个任务各取所需子集：文档解析（布局类别 + 阅读顺序 + 按类别转录：文本/LaTeX/OTSL 表格）、化学结构（SMILES）、乐谱（ABC 记谱）、图表（Markdown 表 + Mermaid + caption）、几何（基元与关系串）、自然图像（实体 box + tag + 框内 OCR + 区域 caption + 全局 caption/narrative/scene）、音频（vocal/nonvocal 分段、ASR、音色/演播/场景 caption、声学事件）、自然视频与富文本视频（对象、屏幕文本及 OCR 类型、原子动作、交互、两级镜头运动、事件描述、伴随音频全套 + 富文本视频额外的 Markdown structured_report）。

统一模式带来一个此前不可能的能力：每个输出 token 可以被指派为 content（字段值，可有多个合法延续）或 structure（JSON 键与标点，受约束文法）两种角色——这个角色划分正是 OSAD 的监督分叉点。

10.4 训练：四阶段预训练 + 三阶段后训练

预训练沿分阶课程逐步展开四个轴：可训练参数（仅编码器 → 全参）、输入规模（4k/每图 256 token → 128k/512 帧）、跨模态交互（0 → 4 融合层）、输入扰动（无 → 随机路由与增广）：

• Stage 0 感知对齐（320B token）：只训编码器、解码器冻结——既保护语言模型免受随机投影器噪声梯度扰动，又强迫编码器产出固定语言模型可解释的特征；监督用密集 caption/转录（每区域、每秒都贡献损失），输入刻意小。
• Stage 1 全模态预训练（1.28T token）：解冻全参、最大阶段；图像预算 256 → 20k token（原生分辨率）、视频 64 帧 × 512 token、序列 8k–32k；四层融合在此开启；混入纯文本数据防灾难遗忘。
• Stage 2 退火（512B token）：学习率 10⁻⁴ 余弦衰减到 10⁻⁵；分层学习率衰减 γ=0.9 保护底层通用特征、projector 不衰减；随机融合路由 p_fus=0.8。
• Stage 3 长上下文扩展（128B token）：序列到 128k、单图/视频最多 102,400 token、视频最多 512 帧。

后训练三阶段：

• SFT（16B token、全参）：解析数据（十任务 + OmniSchema 参考解析）+ 通用数据（Youtu-LLM/VL、Long-VITA、VITA-1.5、VITA-Audio），建立「任务提示 → 完整合规 JSON 对象」的默认响应。它同时为后续两个 on-policy 阶段铺路：RLVR 对不可解码输出给零奖励（组内全失败则无梯度）、OSAD 只蒸馏过闸 rollout——不常产出合法解析的策略给两者都供不上学习信号。
• Schema-Routed RLVR（0.6B token、LoRA）：GRPO 优化；奖励 = 可解码门 × 有载荷门 × clip[Ω·core_v]：Ω 合并模式有效性 Fmt 与重复/欠覆盖惩罚（系数 0.6/0.7），core_v 按任务取图表 RMS-F1/Mermaid-F1、文档四类序列相似度、自然图像实体相似度×0.7+box IoU×0.3 等。
• OSAD（OmniSchema-Aware On-Policy Distillation）：详见下节。

10.5 OSAD：token 角色分化的自进化蒸馏

OSAD 是论文后训练的核心创新，机制在「token 级监督」与「教师自进化」两点上同时发力：

token 级 on-policy 监督。轮内：冻结教师 θ̄_r 与学生 θ 从同 checkpoint 出发；学生训 LoRA、对每个查询采样一条 rollout；只有通过 JSON 合法性、模式一致性、box 语法、重复检查的 rollout 进入蒸馏（被拒的掩蔽）。学生与教师对同一个生成前缀 y_<t 打分，但教师额外接收参考解析（x̃ = [y★; x]，参考作为特权信息）。损失按 token 角色分化：content 位置用对称有界的 JS 散度（温度 τ_c）——内容可有多个合法延续，JS 不强迫学生复刻教师的单一选择；structure 位置用前向 KL（更高温度 τ_s）——键与标点受约束文法，前向 KL 鼓励覆盖教师的结构预测。总损失 = 全 token JS 项 + α_c·content 项 + α_s·structure 项归一化，α 逐轮上调内容权重（(0.50,0.10) → (0.60,0.10) → (0.80,0.08)）。

教师刷新自进化。若教师一直固定，监督永远绑定在出发 checkpoint 上。每轮边界：学到的 adapter 合并进学生基权重得到 θ_r，下一轮教师与学生都从它初始化（教师再冻结、学生换新 adapter）。解析器与其监督共同进化——六轮下来，OSAD 既不需要人工设计的奖励，也不需要单独训练的教师。

十一、论文二：实验证据

11.1 文档解析：单模型不输专家

OmniDocBench v1.6 Overall 96.96，压过 TeleOCR 96.91、OvisOCR2 96.47、PaddleOCR-VL-1.6 96.34、MinerU2.5-Pro 95.75，以及一众 API 与通用大模型——Gemini-3-Pro 92.91、GPT-5.2 86.59、Qwen3-VL-235B 89.78、InternVL3.5-241B 83.76 全部被甩开。分量在于：达到 96+ 的其他模型全部是 0.8–1.2B 的文档专用模型，而 Youtu-Parsing-Omni 是同一个还要解析图像、音频、视频十类任务的 5B 模型。分项上 Text Edit 0.0271、CDM 96.80、TEDS 96.79、阅读顺序 0.1104 均为最佳；相对前代 Youtu-Parsing 的增益集中在表格 TEDS +4.77 与公式 CDM +3.17——恰恰是需要恢复结构并正确序列化的内容类型。PureDocBench 上端到端模型最高 Avg3 76.29，三个轨道（干净 82.61/数字退化 78.13/物理重拍 68.13）全面领先端到端专家，较前代每轨约 +8。

11.2 全模态解析：开源最强，时序侧大胜

OmniParsingBench 平均 75.08：开源最强（Logics-Parsing-Omni 72.26、Qwen3-Omni-30B-A3B 66.44），仅低于 Gemini-3-Pro 77.44。结构性的图景在分项里：

• chart 95.02 全场最高（超 Gemini-3-Pro 92.79、Logics 94.65），统计图表提取是明确优势区；
• 三个时序分项全部领先开源：音频 78.08（+2.5）、自然视频 74.18（+6.8）、富文本视频 75.62（+10.3）；相对 Gemini-3-Pro，时序分项平均 75.96 vs 76.12 基本持平；
• 静态侧落后：自然图像 62.84（−4.7）、几何 74.33（−2.0，不过 Perception 63.14 反超 Logics 的 60.32，弱在几何关系的 Cognition）。

论文的诊断直截了当：时序优势与共享时间线编码一致——解析必须在时间上、跨模态对齐事件的地方，正是统一编码器收益最大的地方。细节佐证：音频侧领先来自时间定位（+9.1）与事件关键词（+13.1），ASR 转写本身反而最低（77.94）；自然视频时间定位 63.68，超 Gemini-3-Pro 4.21、超 Logics 29.06，ASR 同样偏低（67.80）但 Overall 74.18 仍把 Logics 甩开 6.84、距 Gemini 仅 0.64；富文本视频时间定位 50.70 vs Logics 23.05、语音转写 76.52 vs 34.28——精确的时间结构解析有效补偿了转写弱点。Cognition 平均（纯读解析作答）在两个视频分项都是最高（93.69/94.60），验证统一时间建模保住了下游语义。

11.3 符号转录与视频理解：精确形式语言及溢出效应

• ChemOCR：精确指纹匹配率 Tani@1.0 = 54.2，压过 DeepSeek-OCR 2 的 49.6（平均相似度 74.6 微低于 74.9，但「多少预测指纹完全正确」在实践中更有意义）；GPT-4o 仅 3.4、Qwen2.5-VL-7B 仅 0.4——通用模型在此近乎失能。
• PDMX-Synth 乐谱：CER 22.73，优于专用模型 LEGATO 的 23.30；SER/LER（26.73/33.20）微逊于 LEGATO（25.80/31.70）；其他通用系统最强也只到 45–54 CER（GPT-5.6、Gemini-3-Pro），其余解析器在 72–94。一个通用解析器在字符级转录上追平专用光学乐谱模型，是「精确形式语言输出」能力的硬证据。
• Video-MME-v2（无字幕）：组分 11.5，与 4B 思考模型仅差 0.1、全面超过总参数六倍于己的 Qwen3-Omni-30B-A3B-Instruct；L1（跨帧信息聚合）20.0，超所有非思考基线至少 5 分——这个 neither 参数量 nor 思考模式能买到的余量，论文归功于解析目标本身（穷尽式定位并转录每帧内容，直接锻炼跨帧聚合）。L2/L3 无可比优势，缺口（1.9/1.8）与思考模式给 Qwen3-Omni 自己带来的提升（各 2.1）相当——剩余短板在抽取证据之上的多步推理，而非感知。

11.4 消融：两个原则各自值多少分

编码器研究在 Qwen3-4B 解码器 + 0.4B 编码器、纯通用多模态数据（无解析数据）的受控设定下进行：

• 统一 vs 双塔：随机初始化的统一编码器（三分之二感知参数、无第二塔）在 300B token 时 Avg-6 落后预训练 SigLIP-2 + SenseVoice 双塔 1.3 分、OCRBench 落后 53.4 分——但 LibriSpeech WER 反而更低（2.14 vs 2.43）。
• 文本 LLM 初始化：把差距几乎抹平——同预算下 Avg-6 差距缩到 0.4、OCRBench 反超 77.2 分；300B 时初始化编码器 767.0 vs 从零训 636.4（+130.6），且在两分支共同评估的每个 checkpoint 上都领先；Avg-6 上它用一半 Stage 1 token 达到从零版可比分数（样本效率），300B 时领先 0.9 分。有趣的分解：从零版在 16 个视觉基准中 8 个领先（最明显是测空间与关系感知的 BLINK +9.5）——文本 LLM 权重带来的优势集中在「读出符号」，不在「推理空间」；解析恰恰依赖前者，这是与任务最相关的结果。
• OSAD 贡献：后训练总增益 1.99 分（95.21 → 96.96）里 OSAD 占 1.75（88%）、RLVR 仅 0.24；六轮逐轮 +0.58/+0.41/+0.31/+0.24/+0.13/+0.08——每轮为正、逐轮递减，与「监督随解析器进化」的自进化设计一致。增益指向结构化输出内的内容准确性：模式合法的解析仍可能读错词、公式符号、表格单元值——OSAD 在这些内容位置提供参考条件化反馈，同时单独监督 JSON 键与分隔符，这是序列级奖励只能间接捕捉的局部错误的直接监督。

十二、论文二：知识反推——复现它你需要知道什么

领域层：

• 解析模型的感知前端版图：Donut 确立 OCR-free 编码-解码、MinerU2.5 分离低清布局与高清识别、dots.ocr/MonkeyOCR 集成布局与内容、Youtu-Parsing 并行区域解码、MinerU2.5-Pro/PaddleOCR-VL-1.6 数据与训练精化、DeepSeek-OCR 2 的 Qwen2 初始化视觉编码器——Tab.18 里除本文外所有代表性解析器都是每模态一塔；
• 全模态模型与结构化解析：Qwen2.5-Omni 的 TMRoPE、Logics-Parsing-Omni 的证据接地框架与 OmniParsingBench 基准——本文的直接对标；
• 共享表示谱系：ImageBind 的嵌入对齐、VATT/Omnivore/TVLT 的共享计算、Meta-Transformer/OneLLM 的跨模态参数共享——本文首次把共享编码器用于接地解析（原生分辨率页面 + 音视频时间对齐）；
• LM 初始化感知的先例：FPT、冻结 LM 块增强视觉、TrOCR、encoder-free 的 Fuyu/EVE/Mono-InternVL——本文的差异是「独立感知骨干 + 视音频共享 + 对照从零训练的受控评估」；
• 后训练谱系：GRPO/RLVR 在文档解析的应用（olmOCR-2 单元测试奖励等）、on-policy 蒸馏（GKD、MiniLLM）、特权信息与情境蒸馏、OPSD 的参考条件自蒸馏——OSAD = OPSD 构造 + 模式感知的 token 角色分化 + 周期教师刷新。

方法论层：

• 分块轴分解 RoPE + 每轴独立归一化逆频表：让 64 个槽位同时表达 2D 版面与 1D 时间且各轴全覆盖频率——任何需要多语义轴共享旋转预算的模型（时空、图表、3D）可直接套用；
• 融合即逐层窗口选择：同一批打包特征携带两套分割（融合 c_fus 与非融合 c_nof），每层选用其一——融合是逐层可插拔的选择而非结构改动；RoPE 注意力只依赖偏移 t_q − t_k 且查询永不见他窗 key，两套分割给同一 token 不同时间原点是无害的；
• 解码器冻结的对齐阶段：Stage 0 的两个理由（挡噪声梯度、强迫编码器适应固定语言模型的输入空间）+ 密集监督（caption/转录覆盖全部区域而非单区域短答案）——多模态对齐阶段的通用配方；
• token 角色分化的蒸馏损失：内容用 JS（多合法延续→对称有界）、结构用前向 KL（约束文法→覆盖）——监督的几何形状应匹配被监督 token 的不确定性形状，这对一切结构化输出（代码、函数调用、工具协议）的蒸馏通用；
• rollout 准入门 + 全局均值归约：被拒 rollout 掩蔽而非修复、跨数据并行 rank 池化后按准入数取均值（空批跳过）——on-policy 蒸馏的工程细节决定训练稳定性；
• 评测工具链自建并统一重打分：OmniParsingBench 无完整工具链，作者按指标定义自实现、先修复模式违例再打分（格式错误不计为内容错误）、剔除标注问题子集——跨系统可比性优先于与原榜单对齐。

融合关键节点：统一编码器（stem<3% 参数 + 共享块 + 时空 RoPE + 融合层窗口）→ OmniSchema（锚定单元 + 任务子集 + content/structure 角色）→ 四阶段预训练（对齐→全模态→退火→长上下文，四轴渐进展开）→ 三阶段后训练（SFT 建格式 → RLVR 序列级 → OSAD token 级自进化）。链条环环相扣：没有共享时间线，融合层无从对齐；没有 OmniSchema 的角色划分，OSAD 无从分化监督；没有 SFT 铺路的合法 rollout 率，两个 on-policy 阶段都断粮。

十三、论文二：通用灵感

1. 统一前先问输出是否同构。十类任务输出统一为一个模式的前提是「锚定单元 + 区域内容」这个共同形——输出同构，模型与训练才可能统一。反过来，若各任务输出本质上异构，强行统一只会造出缝合怪。
2. 位置编码是跨模态共享的地基，不是附件。把时间写成两种模态共同写入的 T 段，帧-音对齐才能在感知内发生。「先设计坐标系，再设计交互」——多数跨模态融合失败，根源在坐标系就没对齐。
3. 预训练权重携带的是能力偏向，不是全能。文本 LLM 初始化带来 OCR 级读符优势但不含空间推理（BLINK 落后 9.5）——选初始化源就是选能力先验，与下游任务的能力构成对照着选。
4. 监督信号应该按 token 的不确定性形状分化。内容 token 多解、结构 token 唯解，JS 与前向 KL 各得其所——这个原则适用于所有结构化生成：何处该容许多样性、何处该严格覆盖，损失函数应当显式表达。
5. 让教师跟着学生进化，监督才不会过期。固定教师的蒸馏把学生拴在出发点的水平上；每轮刷新教师，「老师能教的上限」随「学生已学会的」一起上涨。OSAD 六轮每轮为正的曲线是最直接的证据。
6. 单模型多面手的价值要用「专家最强处不打折」来论证。Youtu 的说服力不在 96.96 本身，而在「同一个 5B 模型在十类任务上都能打」——多面手的正确论证格式是列举「没有牺牲掉的专项性能」。

十四、两篇对比与交汇：token 的角色化与通信路由

14.1 一张表看清两篇的坐标系

14.2 交汇点一：token 从均质补丁变成带角色的单元

两篇论文的第一个共同动作，都是打破「一个 patch 一个 token、全员同权」的默认设定，给 token 赋予显式角色：

• SpecSlot 的角色是谱学的：slot-0 持有最低径向频段因此是载波，slot-1/2/3 持有更高频段因此只在锚点内活动。角色决定它生产什么（哪段系数）、也决定它怎么通信（进不进全局）——输出权与通信资格被同一个索引绑定。
• Youtu 的角色是坐标学的：视觉 token 写 (t,h,w)、音频 token 写 (t,0,0)，同一 T 段让两者时间可比；在融合层，帧与同时刻音频被切进同一个窗口获得互看的资格，在非融合层各自为窗。位置编码与注意力窗口共同构成了角色化的通信拓扑。

一个把角色做「异」（K 种 slot 各司其频段），一个把角色做「同」（全模态一种坐标一套权重）——方向相反，但都取代了「位置即命运」的 patch 网格逻辑：SpecSlot 里坐在同一个锚点的 K 个 slot 通信命运截然不同；Youtu 里来自两种模态的 token 因为坐标系统一而获得了前所未有的交互资格。

14.3 交汇点二：通信是被设计、被路由的稀缺资源

角色化的直接后果是通信成为显式分配对象：

• SpecSlot 把全局注意力砍到每锚点一条边：全局二次项从 (WK+C)² 变成 (W+C)² + WK²，ImageNet-512 上锚点覆盖四倍像素而全局序列纹丝不动——跨锚点通信只花在「也承载低频脚手架」的那个角色上，DNR 时序分析证明它恰好是最早可用的（t*=0.468 对后续组的 0.89+），路由干预证明删全局边伤早期低频、删局部边伤后期高频——通信结构与信息的时间结构是对齐的。
• Youtu 把跨模态通信限制在四层融合层的短音视频窗口内：「哪句话配哪页幻灯片」在感知内算好，窗口之间的长程依赖留给解码器——跨模态通信被限制在时间上真正共现的地方，而不是让全序列两两互看。两条路线（融合/独立）共享权重、随机路由训练、推理皆可用——通信拓扑本身成了可配置项。

两篇合起来的启示：注意力不是均质的「全连或全断」，而是可以按信息的频段（SpecSlot）或时间共现性（Youtu）做结构化裁剪——裁剪的依据不是通用的稀疏模式（窗口、全局 token），而是任务本身的物理结构。

14.4 交汇点三：解耦的两个方向——输出细节 vs 感知参数

两篇都在做「解耦」，但解开的耦合不同，这恰好构成一对镜像：

• SpecSlot 解开「输出细节 ↔ 全局通信」：细节随 K 增长、全局序列钉在 W。它证明「细」与「全局」可以不是同一条成本曲线——512 分辨率下优势放大（+2.84 FID）正是因为锚点内细节的消化空间变大了。
• Youtu 解开「模态数量 ↔ 感知参数」：加模态只加 stem 与投影头（<3% 参数），不加塔。它证明「广」与「深」可以不互相征税——同一个 5B 模型在文档上不逊 0.8–1.2B 专用模型，在音视频上大幅领先双塔方案。

更深一层，两者都拒绝了一条常见的「外包」路线：SpecSlot 拒绝把细节外包给额外组件（detailer 头、第二阶段），坚持单骨干内分配；Youtu 拒绝把融合外包给语言模型（双塔 + 下游融合），坚持感知内对齐。共同信念：与其在模块边界上搬运信息，不如在模块内部重新划分职责——模块边界上的信息搬运正是耦合与瓶颈的藏身之处。

14.5 交汇点四：机理实验作为架构论证的必修课

两篇论文都不满足于端到端数字，都为核心机制做了隔离变量的归因实验：

• SpecSlot：载波身份消融（只改哪个 slot 进全局）、GLGL 顺序消融（只改块序）、等算力 Dense-global 对照（只改通信图）、DNR 前沿（纯描述性物理量预言设计）、冻结式路由干预（删边不重训）、分支能量与反事实缩放（双基互补的机理定位）。
• Youtu：双塔 vs 统一（随机初始化受控）、文本初始化 vs 从零（同日程对照）、OSAD 逐轮增益曲线（自进化的直接证据）、时序 vs 静态分项的差分（共享时间线假设的预测）、Video-MME L1 的解析目标溢出效应。

方法论上的共性：每个设计决策配一个能把它单独拎出来的实验。架构论文的可信度不是靠榜单堆出来的，是靠「如果我这个机制不对，这个实验应该翻车」的反事实结构撑起来的。

14.6 交汇点五：开源与可复现的工程完成度

两篇都选择了全开源：SpecSlot 给出 GitHub + HuggingFace + 项目页，且训练契约（超参、种子列表、剖析协议、CFG 扫描）细到可复算 GFLOPs；Youtu 给出 GitHub + HuggingFace 权重，附录里连弃用的两个 RoPE 变体（显式模态轴、交错布局）都如实交代。工业技术报告与学术论文在这个维度上做得同样诚实——弃用变体与负面结果的披露，比正面的 SOTA 数字更能说明一支团队的设计是「测出来的」而非「信出来的」。

14.7 差异的启发：两篇互相欠对方什么

放在一起读也能看到互补的缺口。SpecSlot 的角色分化发生在空间-频率维度，天然适配图像这种频域结构清晰的信号；但生成侧的 token 角色化还没有触及时间维（视频生成的时间-频率分配是显然的下一问）。Youtu 的统一发生在模态-时间维度，但静态分项（自然图像 −4.7、几何关系）暴露了统一编码器在空间关系推理上的残留短板——从零初始化版在 BLINK 上反超 9.5 分的对照提示，文本 LLM 初始化带来的符号偏向可能挤占了空间几何的容量。更远的互喂：Youtu 式的 content/structure 角色分化监督能否用于生成模型的 token（比如谱系数 token 与结构 token 分治）？SpecSlot 式的频段-通信对齐能否用于音视频编码（低频语义全局、高频细节局部）？两篇各持一半拼图。

十五、结语

这两篇论文，一篇来自学术联合体，一篇来自工业实验室；一篇做生成，一篇做理解；一篇把 token 拆成 K 个频段角色，一篇把四种模态焊进一套坐标。它们在同一周出现在 arXiv 上，共同宣告别处同一件事：ViT 时代那个「patch 即 token、token 即一切」的默认设定，正在从两个方向被拆掉。

SpecSlot 的拆法是承认 token 不平等：最低频的 slot 最早从噪声里显影（t*=0.468），就该由它背负全局通信；高频 slot 管好自己的细节就好。输出细节与全局序列从此是两条独立的旋钮，512 分辨率上 2.84 的 FID 差距与 38.2% 的成本节省是这个解耦的第一份红利。

Youtu 的拆法是承认模态不特殊：文档里的字、图里的实体、音频里的一句话、视频里的一页幻灯片，在「被锚定的单元 + 从锚定区域抽取的内容」这个抽象下完全同构；视觉与声学 token 既然共享一条时间轴，就没有理由各占一座塔。一个文本 LLM 初始化的 0.4B 编码器 + 一个 4.5B 解码器，十类任务一个 checkpoint，96.96 的文档 SOTA 与 +10.3 的富文本视频领先是这条路的注脚。

如果要用一句话概括两篇合起来的启示，大概是：注意力时代的架构设计，正在从「多大的模型看多大的上下文」转向「什么角色的 token、在什么坐标系里、按什么规则通信」。角色、坐标、路由——这三个曾被 patch 网格一键代管的变量，如今都要设计师亲手拨动。SpecSlot 与 Youtu-Parsing-Omni 各自拨动了其中两三个，都拿到了超出比例的回报。这两个方向的视频生成扩展、角色分化监督、以及频率-通信对齐在感知模型里的迁移，是接下来值得盯住的线。

（完）