技术谱系：从边缘检测到世界模型

主谱系

时间	工作	角色与贡献	理念
2015	HED	第一作者；整体嵌套、多尺度深监督边缘检测	视觉结构先验
2016/2017	ResNeXt	第一作者；把 cardinality 作为深度、宽度之外的架构维度 [1]	同构分支与可扩展设计
2019–2020	MoCo	合著；动量编码器与队列支持大规模对比学习 [2]	自监督表征
2022	ConvNeXt	资深作者；逐步现代化 ResNet，检验卷积设计空间 [3]	架构与训练协同
2022/2023	DiT	William Peebles 第一作者、谢共同作者；以 Transformer 替代潜扩散 U-Net，提出 adaLN-Zero [4]	标准骨干与可扩展计算
2024	MMVP	资深作者；以 CLIP-blind pairs 暴露基础视觉 grounding 失败 [5]	vision-centric 诊断
2024	SiT	资深作者；随机插值与速度场统一研究 diffusion/flow [6]	解耦路径、目标与采样
2024	Cambrian-1	资深作者；比较视觉编码器，提出 CV-Bench 与 SVA [7]	vision-centric、fully open
2024/2025	REPA	共同指导；用冻结视觉编码器表征约束扩散中间层 [8]	表征即生成瓶颈
2024/2025	MetaMorph	共同作者；统一自回归理解与视觉生成 [9]	理解—生成统一
2025/2026	RAE	资深作者；以预训练表征编码器和训练解码器替代传统 VAE 潜空间 [10]	表征即潜空间
2025/2026	Cambrian-S	资深作者；LFP、surprise 与空间超感知分阶段路线 [11]	预测式感知与记忆
2026	统一多模态预训练	共同指导；研究编码器、数据、MoE、动作 token 与 IsoFLOP [12]	从语言建模走向多模态预训练

识别线：从人工结构到设计空间

第一条是“减少专门架构、提高可扩展性”：ResNeXt 用同构分支简化多分支设计，DiT 使用标准 Transformer 骨干 ^{[1] [4]}。

ConvNeXt 并不是“Transformer 失败”的证明，而是控制变量式地吸收训练策略与宏观设计，说明架构比较必须把训练配方纳入。同样，ResNeXt 的结论是在近似保持复杂度的受控实验中提高 cardinality 有效，不是 cardinality 在所有预算下永远优于深度和宽度 ^{[3] [1]}。

自监督线：MoCo、MAE 与去噪表征

MoCo 把对比学习字典视为动态队列，并用动量更新键编码器以保持一致性。此后 MAE 与 l-DAE 分别从高掩码重建和去噪机制研究表征。原型将其概括为“监督标签不足以形成 common sense”；论文能支持方法与实验，不能单独支持这一更强哲学判断 ^{[2] [13]}。

生成线：DiT、SiT 与 REPA

DiT 的核心是标准 Transformer 骨干、patch token 与 adaLN-Zero 条件注入；论文观察到 Gflops 与 FID 强相关，但没有报告拟合出的幂律指数 ^[4]。

SiT 保留 Transformer 骨干，把前向过程改写为随机插值并学习速度场，使 diffusion、flow、插值路径与采样器可以分别研究 ^[6]。

REPA 并非新的独立生成器，而是加在宿主训练目标上的表征对齐正则。论文主要结果来自 SiT 设置，基础损失应写成 velocity objective；套到原始 DiT 时，基础目标才是 improved-DDPM hybrid ^[8]。

表征即基座：从 REPA 到 RAE

第二条连续线索是“把表征从副产品变成生成基础”：REPA 先对齐扩散模型与外部视觉表征，RAE 再直接把预训练表征编码器作为生成潜空间的组成部分 ^{[8] [10]}。

RAE 有两个阶段：先冻结编码器训练解码器，再在 RAE latent 上训练 flow-matching 生成模型。只写重建损失会漏掉生成阶段。论文关于宽度阈值和误差下界的分析来自受限函数族与单图 overfit 设置，不能提升为所有深模型的普适定理 ^[10]。

Vision-centric 线：诊断、系统与空间能力

MMVP 用成对问题要求模型同时识别细微视觉差异；Cambrian-1 从编码器、连接器、数据和 Benchmark 全栈研究视觉瓶颈；Cambrian-S 又把持续视频理解拆为记忆、空间认知与预测。它们共同支持“视觉能力不能靠语言主干自动涌现”，但没有证明语言中心系统整体失败 ^{[5] [7] [11]}。

理解与生成统一

MetaMorph 让语言 token 用交叉熵、视觉表征用余弦目标，在同一自回归框架中处理理解与生成；统一多模态预训练进一步研究 RAE 编码器、MoE 与动作 token。结果显示理解和生成可以协同，但贡献不对称、结论受数据与任务设置限制 ^{[9] [12]}。

必须保留的署名纠错

• **RCG（arXiv:2312.03701）**作者为 Tianhong Li、Dina Katabi、Kaiming He，不是谢赛宁。它只能作为“表征条件生成”的平行先行工作，不能画成谢本人谱系节点。
• MMStar作者为 Lin Chen 等，不是谢赛宁。谢参与的评测工作是 MMVP 与 Cambrian-1 中的 CV-Bench。
• Fluid没有足够证据确认谢赛宁署名，本专题不列入。

对“隐式派”和“反 NAS”的反例

把谢赛宁固定为“只做隐式潜状态”并不准确。个人主页列出 PointContrast、Image Sculpting、3D Gaussian Splatting scaling 等显式 3D 工作；三派世界模型的区分只是输出契约，不是人物阵营 ^[13]。

原型还记录他对 NAS 的严厉回顾，但他本人参与过 Randomly Wired Neural Networks、On Network Design Spaces 等工作。这更像深度参与后的自我复盘，不应被写成“N​AS 没有留下任何成果”的客观技术史 ^[13]。