CARD: Non-Uniform Quantization of Visual Semantic Unit for Generative Recommendation¶

一、研究动机与背景¶

生成式推荐（Generative Recommendation, GeneRec）以「将物品离散化为 Semantic ID（SID） + 自回归 next-SID 预测」为统一范式，相比 ID-based 模型在稀疏交互、冷启动场景下展现出更好的泛化性。SID 通常通过 RQ-VAE / RQ-KMeans / OPQ 等量化方法，把物品的连续 embedding 映射为 $L$ 层离散 codebook 索引。Semantic ID 的质量直接决定下游生成式推荐器的上限。

CARD 的作者从工业级 SID 实践中观察到两条尚未被现有方法解决的关键瓶颈：

Challenge 1：Insufficient Supervision Limits Heterogeneous Information Fusion for SID Quantization.

主流 GeneRec 流程把"SID 构造"和"自回归推荐"解耦成两个独立阶段——先离线训练 tokenizer，再冻结 SID 训下游推荐器。这种解耦让 SID 学习严重缺乏来自下游推荐目标的直接监督；当物品同时携带文本、视觉、协同信号等多模态异质信息时，现有做法基本依赖事后对齐：

• 用对比损失（contrastive loss）跨模态对齐 embedding 或 SID（[43, 56, 59] 等）；
• 用 modality-specific encoder 各自编码，再后融合（late fusion）。

强对齐会忽视模态间的本质差异，导致过度同质化——某些模态的特性反而被抹平，下游量化时不同模态的语义信号会冲突或被一种主导模态吃掉。CARD 提出的疑问是：能否在 SID 学习完全缺乏下游监督的设定下，绕开复杂的跨模态融合机制，对异质语义做整体性建模？

Challenge 2：Non-Uniform Embeddings Result in Codeword Imbalance and Generation Bias.

传统量化器（如 RQ-VAE）的训练目标是"最小化全局重建误差"，隐式假设了 latent space 上 embedding 分布大致均匀——只有这样，把 codebook 容量"均匀"地分配到 latent 空间才合理。但是推荐场景下物品 embedding 极度非均匀：语义相近的热门 item 会聚成致密簇，而长尾 item 散布在稀疏区。把均匀量化粗暴地用在这种偏斜分布上，会导致两个连锁后果：

1. Codebook 利用失衡：致密簇里少数 codeword 承担了大量 item，稀疏区的 codeword 几乎没人用；
2. 生成端偏差被进一步放大：自回归生成器倾向于复现训练 SID 中频率最高的 token，少数 codeword 的"主导"会传染到生成结果中。

作者的核心观点：与其在量化阶段被动接受这种偏斜分布，不如显式地把 latent 分布"矫正"到更均匀的形态再做量化。

为同时回应这两个挑战，作者提出 CARD（Card-style Attentive RecommenDation framework），名字源自《Slay the Spire》一类卡牌游戏——一张卡牌把多种属性和效果统一在一个紧凑视觉单元上。CARD 由两个互补设计构成：

• Visual Semantic Unit：把物品的视觉、文本、协同信号统统"渲染"成一张结构化卡牌图像，用一个统一的视觉-语言编码器（SigLIP2）整体编码。这种设计在编码前就完成了异质信息的融合，无需事后对齐。
• NU-RQ-VAE (Non-Uniform Residual Quantized Variational Autoencoder)：在残差量化前插入一个可学习的可逆非线性变换，把非均匀 latent 映射到近似均匀空间再量化，用 inverse transform 在解码时还原原始语义空间。文中提供两种变换方案：基于 Kumaraswamy CDF 的参数化变换（CARD$_K$）与基于 scaled logistic-logit 的变换（CARD$_S$）。

二、CARD 框架总览¶

整个 pipeline 拆成三段：

1. 构造视觉语义单元 $\mathcal{G}_i$：将文本、视觉、协同信号渲染为单张卡牌图像；
2. 统一编码 + 非均匀量化：用 SigLIP2 编码 $\mathcal{G}_i$ 得到 $\mathbf{z}_i$，再用 NU-RQ-VAE 量化为 SID $[c_1, c_2, \dots, c_K]$；
3. 自回归生成式推荐：用 T5-style encoder-decoder 在用户的 SID 序列上做 next-SID 自回归生成。

下面分别展开。

三、Card-style Unified Item Representation¶

3.1 视觉语义单元的三个区域¶

CARD 把每个物品 $i$ 编码为一张 $H \times W \times 3$ 的卡牌图像 $\mathcal{G}_i \in \mathbb{R}^{H \times W \times 3}$，由三个功能互补的区域组成：

(1) Visual region $x_i^{\text{img}}$：原始物品图像，提供最直观、最具区分度的视觉线索；放在卡牌顶部。

(2) Textual semantic region：把结构化文本属性（title, category 等）渲染成一段文字，用固定模板（fixed template）布局成文字面板，放在视觉区下方。关键设计：用"渲染成图像"取代"用文本编码器编码"——这样异构信号天然统一在像素空间。

(3) Collaborative signal region：把协同信号也渲染进卡牌底部，做法是先用一个传统序列推荐器（如 SASRec [16]）学习物品协同 embedding $\mathbf{u}_i \in \mathbb{R}^d$，然后给目标物品 $i$ 检索协同邻居：

$$\mathcal{N}(i) = \arg\max_{\mathcal{N} \subset \mathcal{I} \setminus \{i\}, |\mathcal{N}| = K_{\text{neighbors}}} \sum_{j \in \mathcal{N}} s(i, j) \tag{1}$$

其中 $s(i, j) = \mathbf{u}_i^\top \mathbf{u}_j$。$K_{\text{neighbors}}$ 设为 3。检索到的邻居物品的缩略图 + 文本标题被水平拼接到卡牌底部，作为协同上下文。

每张视觉语义单元最终是一张 $512 \times 512$ 图像。这种设计的本质是用渲染替代融合：跨模态对齐被替换成"在像素空间里直接拼接"，编码器面对的输入永远是单一视觉模态，避免了多模态融合时的语义冲突或主导效应。

3.2 统一视觉-语言编码¶

构造好的视觉语义单元 $\mathcal{G}_i$ 输入到预训练视觉-语言编码器 $f(\cdot)$，得到 $m$ 维语义 embedding：

$$\mathbf{z} = f(\mathcal{G}_i) \in \mathbb{R}^m \tag{2}$$

CARD 选用 SigLIP2 [40] 作为编码器——它在大规模图像-文本对上预训练，对包含文字与图像的复合视觉输入有较强表现力，能稳定地从渲染图中提取文本字符的语义。

至此，文本/视觉/协同三类异构信号被统一塑形成一个连续 embedding $\mathbf{z}_i$，但这个 embedding 在真实推荐场景中仍然高度非均匀，需要进入下一步的非均匀量化。

四、Non-Uniform Quantization Module（NU-RQ-VAE）¶

4.1 RQ-VAE 量化过程回顾¶

NU-RQ-VAE 是在标准 RQ-VAE 上的"插件式"改造。先回顾 RQ-VAE：由 Encoder $\text{Encoder}(\cdot)$、Decoder $\text{Decoder}(\cdot)$ 与 $K$ 层 codebook $\{\mathcal{C}_1, \dots, \mathcal{C}_K\}$ 组成，每层 codebook $\mathcal{C}_k = \{e_i\}_{i=1}^N$ 含 $N$ 个 $d$ 维 codeword。

对每个 item，先把 $\mathbf{z}$ 投影到 $\mathbf{h} = \text{Encoder}(\mathbf{z})$，再做 $K$ 层残差量化：

$$\begin{cases} c_k = \arg\min_i \lVert \mathbf{r}_{k-1} - \mathbf{e}_i \rVert^2, \quad \mathbf{e}_i \in \mathcal{C}_k, \\ \mathbf{r}_k = \mathbf{r}_{k-1} - \mathbf{e}_{c_k}, \end{cases} \tag{3}$$

其中 $\mathbf{r}_0 = \mathbf{h}$。逐层的 SID 拼成 $\hat{i} = [c_1, c_2, \dots, c_K]$，量化后 embedding $\hat{\mathbf{h}} = \sum_{k=1}^K \mathbf{e}_{c_k}$，最后由 Decoder 重建得到 $\hat{\mathbf{z}} = \text{Decoder}(\hat{\mathbf{h}})$。

整体 RQ-VAE 损失是重建项 $\mathcal{L}_{\text{Recon}}$ 加上量化项 $\mathcal{L}_{\text{RQ}}$：

$$\begin{cases} \mathcal{L}_{\text{Recon}} = \lVert \mathbf{z} - \hat{\mathbf{z}} \rVert^2, \\ \mathcal{L}_{\text{RQ}} = \sum_{k=1}^K \left( \lVert \text{sg}[\mathbf{r}_{k-1}] - \mathbf{e}_{c_k} \rVert^2 + \mu \lVert \mathbf{r}_{k-1} - \text{sg}[\mathbf{e}_{c_k}] \rVert^2 \right), \\ \mathcal{L}_{\text{Sem}} = \mathcal{L}_{\text{Recon}} + \mathcal{L}_{\text{RQ}}, \end{cases} \tag{4}$$

其中 $\text{sg}[\cdot]$ 为 stop-gradient，$\mu$ 控制 commitment loss 强度。$\mathcal{L}_{\text{Recon}}$ 保证语义精度；$\mathcal{L}_{\text{RQ}}$ 联合训练 encoder 与 codebook。

4.2 NU-RQ-VAE 关键改造¶

NU-RQ-VAE 在 Encoder 输出 $\mathbf{h}$ 与残差量化之间，插入一个可学习的可逆非线性变换 $\mathcal{T}(\cdot)$：

$$\mathbf{d} = \mathcal{T}(\mathbf{h}) \quad \xrightarrow{\text{Residual Quantization}} \quad \hat{\mathbf{d}} \quad \xrightarrow{\mathcal{T}^{-1}(\cdot)} \quad \hat{\mathbf{h}} = \mathcal{T}^{-1}(\hat{\mathbf{d}})$$

$\mathcal{T}$ 把非均匀 latent $\mathbf{h}$ 映射到近似均匀空间 $\mathbf{d}$，残差量化在这个均匀空间执行；解码端用 $\mathcal{T}^{-1}$ 把量化结果反变换回原语义空间，再送入 Decoder 重建 $\mathbf{z}$。这样既享受了"在均匀空间量化"的语义敏感性，又保留了原 latent 的语义结构。

CARD 给出两种 $\mathcal{T}/\mathcal{T}^{-1}$ 实例化方式：

4.2.1 Kumaraswamy 分布变换（CARD$_K$）¶

Kumaraswamy 分布是定义在 $[0, 1]$ 上的双参数分布，与 Beta 分布表达力相当但 PDF / CDF / quantile 都有闭式解。其 CDF 和 quantile 函数为：

$$F_{\text{KS}}(x; a, b) = 1 - (1 - x^a)^b \tag{5}$$

$$F_{\text{KS}}^{-1}(y; a, b) = \left( 1 - (1 - y)^{1/b} \right)^{1/a} \tag{6}$$

其中 $x \in [0, 1]$，$a, b \in \mathbb{R}_+$。$F_{\text{KS}}$ 单调可逆，且参数 $a, b$ 控制"压扁/拉伸"效果——这正是把非均匀分布矫正到近似均匀所需要的"可调节标尺"。

由于实际 latent 取值不在 $[0, 1]$ 内，作者用 min-max 归一化把每维 $x_i$ 映射到 $[0, 1]$：$x_i \mapsto (x_i - x_{\min})/(x_{\max} - x_{\min})$，其中 $x_{\min} = \min_i x_i$ 与 $x_{\max} = \max_i x_i$ 在每个维度独立计算。

4.2.2 Scaled Logistic & Scaled Logit 变换（CARD$_S$）¶

CARD 进一步分析了不同 encoder 输出的实际分布形态：

观察到无论是文本 encoder 还是视觉-语言 encoder，单维度上的 embedding 经验分布都呈钟形对称。这启发作者引入更适合钟形分布的 logistic / logit 函数对作为可逆映射。

标准 logistic 与 logit：

$$\text{logistic}(x; \alpha, x_0) = (1 + \exp(-\alpha (x - x_0)))^{-1} \tag{7}$$

$$\text{logit}(y; \alpha, x_0) = \alpha^{-1} \log\!\left(\frac{y}{1 - y}\right) + x_0 \tag{8}$$

为了把它们用到任意区间 $[x_{\min}, x_{\max}]$，CARD 定义 scaled logistic 与 scaled logit 函数：

$$\text{logistic}_{\text{SCALED}}(x; \alpha, x_0) = \frac{\text{logistic}(\delta^{-1} x; \alpha, x_0) - \text{logistic}(\delta^{-1} x_{\min}; \alpha, x_0)}{\Delta} \tag{9}$$

$$\text{logit}_{\text{SCALED}}(y; \alpha, x_0) = \delta \,\text{logit}(\Delta y + \text{logistic}(\delta^{-1} x_{\min}; \alpha, x_0); \alpha, x_0) \tag{10}$$

其中 $\Delta = \text{logistic}(\delta^{-1} x_{\max}; \alpha, x_0) - \text{logistic}(\delta^{-1} x_{\min}; \alpha, x_0)$，$\delta = x_{\max} - x_{\min}$。引入 $\delta$ 把输入归一到尺度无关的状态后再喂入 logistic，可以把 scaled 变换重写为参数 $\bar\alpha = \delta^{-1} \alpha$ 与 $\bar x_0 = \delta x_0$ 的标准 logistic 函数。

最终的可逆变换对：

$$\mathcal{T}(\cdot), \mathcal{T}^{-1}(\cdot) = \begin{cases} (F_{\text{KS}}(\cdot; a, b), F_{\text{KS}}^{-1}(\cdot; a, b)) & \text{(CARD}_K\text{)} \\ (\text{logistic}_{\text{SCALED}}(\cdot; \alpha, x_0), \text{logit}_{\text{SCALED}}(\cdot; \alpha, x_0)) & \text{(CARD}_S\text{)} \end{cases} \tag{11}$$

两个变体在 NU-RQ-VAE 中仅替换 $\mathcal{T}/\mathcal{T}^{-1}$ 的实例，框架其余部分完全相同。$a, b$ 或 $(\alpha, x_0)$ 都是可学习参数，每个维度独立。

4.3 NUQ Consistency Loss¶

为了保证可逆变换不会因数值误差累积导致语义丢失，CARD 引入一个 NUQ consistency loss：用 $\mathcal{T}^{-1}$ 把变换后的 $\mathbf{d}$ 还原回 $\tilde{\mathbf{h}} = \mathcal{T}^{-1}(\mathcal{T}(\mathbf{h}))$，惩罚还原误差：

$$\mathcal{L}_{\text{NUQ}} = \lVert \mathcal{T}^{-1}(\mathcal{T}(\mathbf{h})) - \mathbf{h} \rVert_2^2 \tag{12}$$

总目标：

$$\mathcal{L}_{\text{overall}} = \mathcal{L}_{\text{Sem}} + \lambda_{\text{NUQ}} \mathcal{L}_{\text{NUQ}} \tag{13}$$

$\lambda_{\text{NUQ}}$ 是控制一致性项强度的超参，文中在 $[0.01, 1]$ 范围内调优。

五、Training and Recommendation¶

Tokenization 训练完成后，每个 item 都有一个稳定的 SID $\hat{i} = [c_1, \dots, c_K]$。

Recommendation 阶段：用户的历史交互 $[\hat{i}_1, \dots, \hat{i}_M]$ 转译为长度为 $M \cdot K$ 的 SID 序列；目标是预测下一个交互物品的 SID 序列 $\hat{i}_{M+1}$。模型采用 T5 [33] encoder-decoder，token 级负对数似然训练：

$$\mathcal{L} = -\sum_{t=1}^{K} \log P_\theta\!\left( y_t^{(\xi)} \mid y_{\lt t}^{(\xi)}, x^{(\xi)} \right) \tag{14}$$

推理用 beam search，保留 top-$B$ 部分序列。

六、实验¶

6.1 实验设置¶

数据集：三个 Amazon 数据集 [31] —— Food（Grocery and Gourmet Food）、Phones（Cell Phones and Accessories）、Clothing（Clothing, Shoes and Jewelry）。沿用 [16, 34, 43] 的 5-core 过滤、leave-one-out 划分（最末次交互测试，倒数第二验证）、用户历史截断为 20 步。

评估指标：Recall@K 与 NDCG@K（K = 5, 10, 20），全集合 full-ranking。

实现细节：

• NU-RQ-VAE encoder/decoder 用 3 层 MLP；codebook 配置与 [34, 43] 相同：$N = 256$，$K = 4$，$d = 32$。
• 优化器 AdamW [17]，学习率 0.001，batch size 1024；$\lambda_{\text{NUQ}}$ 在 $[0.01, 1]$ 调。
• T5 主干 4 层 encoder + 4 层 decoder，每层 6 头 self-attention，head dim = 64。
• 视觉语义单元图像尺寸 $512 \times 512$，主图、文字面板、协同邻居各占一区；具体布局可按数据集内容微调。
• 公平比较：MQL4GRec 不使用大规模额外类目数据预训练。

Baselines：

• 传统序列推荐：GRU4Rec、HGN、BERT4Rec、SASRec
• 基于量化的生成式推荐：VQ-Rec、TIGER、LETTER、MQL4GRec、MACRec

6.2 主实验¶

Table 2 给出三个数据集上 Recall@K / NDCG@K 全部对比。两个 CARD 变体（CARD$_K$ Kumaraswamy 和 CARD$_S$ scaled logistic）几乎一致地拿下所有指标的 SOTA：

（bold 表示与最强 baseline 在 $p \le 0.01$ 水平上显著优于的结果，斜体下划线为最强 baseline）

结论： 1. CARD 全面领先。三个数据集每个指标 CARD$_K$ 或 CARD$_S$ 几乎都是最佳，相对 MACRec / MQL4GRec 这两个最强多模态 baseline 提升幅度普遍 5%~16%。两种变体的差距很小：CARD$_S$ 在 Food 上微胜，CARD$_K$ 在 Phones / Clothing 上略好。 2. CARD 的提升来自两个互补设计：(a) 视觉语义单元在 SID 编码阶段就把多模态信息融合好，避免了"separate-then-fuse"流程下的语义鸿沟；(b) 非均匀量化显式补偿真实分布偏斜，提升 codebook 利用率与生成稳定性。

6.3 消融实验¶

Table 3 / Table 4 在 Food / Phones 上分别对 CARD$_K$ 与 CARD$_S$ 做组件消融：

CARD$_K$ 消融：

CARD$_S$ 消融 趋势完全一致（略）。

关键发现： 1. 三种模态信号都有贡献：去掉视觉（V）/ 文字（T）/ 协同（C）任一区域都会带来显著下降；其中视觉区域（V）下降最多——它是直觉性最强、最具辨识力的区域。 2. 完全 fallback 到纯文本（w/o Unit）下降最厉害。这印证了视觉-语言编码器对协同上下文 + 文字 + 图像的整体感知确实抓住了文本所抓不到的语义。 3. 去掉非均匀变换（w/o NUT）退化为标准 RQ-VAE，性能在所有数据集都显著下降——表明在非均匀 latent 分布下，标准 RQ-VAE 的均匀容量假设确实是性能上限的硬瓶颈。

视觉单元 + 非均匀量化两条主线互补、缺一不可。

6.4 进一步分析¶

6.4.1 Fusion Strategy 对比¶

CARD 把视觉语义单元（Unit）和三种代表性多模态融合策略对比：

• Concat：modality-specific encoder 各自编码后特征拼接；
• Align：用对比学习预训练对齐多模态再融合；
• MLLM：LLaMA3-8B 作多模态联合编码器，提取隐表征作 item embedding。

观察：

• Concat 缺乏统一的语义组织，模态之间存在 semantic gap；
• Align 在对齐时可能破坏单模态的特异性，反而削弱了模态特定信息；
• MLLM 倾向于做高度抽象的语义压缩，难以保留两种模态共同贡献的细粒度线索；
• Unit 保留连续的语义结构、稳定的分布、对量化更友好。

这说明"渲染成图像"看似粗暴，实际上是用一种极简而稳健的方式实现了"模态间结构对齐 + 模态内特异性保留"。

6.4.2 Unit-based vs Text-only Encoding¶

为排除"渲染掉了文本信息"的疑虑，CARD 把 Unit 退化为 only-text 渲染（TIGER+Unit-T），与原始的 TIGER+T5（直接用 T5 编码文本）做对比：

二者基本持平——说明把文字属性"渲染"成图像不会带来明显信息损失；这归因于 (a) SigLIP2 在大规模 image-text pair 上预训练，对图像中的文字字符语义提取强；(b) 视觉单元用固定模板布局，文字背景干净；(c) 推荐场景下文字本就短而结构化。可以放心把"文本信号"也通过视觉模态承载。

6.4.3 非均匀量化的即插即用性（Plug-and-Play）¶

NU 变换不是 RQ-VAE 专属，对一般残差量化器（R-VQ）也有效。Table 5 对比 R-VQ vs NU-R-VQ 与 RQ-VAE vs NU-RQ-VAE 在三个数据集上的 Recall@5 / Recall@10：

提升幅度最大达 +15.74%——非均匀变换对底层量化器是真正不可知的（quantizer-agnostic）即插即用模块。

6.4.4 非均匀变换的效果可视化¶

直观地：原始空间里"超热门 + 长尾稀疏"的双峰被 NU 变换"摊平"成更均衡的形态，残差量化的覆盖范围因此更广，有效 codeword 数从 TIGER 的 70 → CARD w/o NUT 的 132 → 完整 CARD 的 249——三倍以上的 codebook 利用率提升直接对应到下游生成质量的稳定性。

七、与已归档相关工作的对比¶

CRAB CRAB: Codebook Rebalancing for Bias Mitigation in Generative Recommendation (Walmart Global Tech, 2026-04-06)¶

关系：独立并发（CARD 未引用 CRAB，CRAB 也未引用 CARD，两者殊途同归）· 已加载对方精读

• 共同关注的问题：两篇都把 GeneRec 性能瓶颈归因到"item embedding 分布严重非均匀 → 少数热门 codeword 承担过多 item → 训练数据偏斜被生成端进一步放大形成偏差/精度损失"。CARD 称之为 "codeword imbalance and generation bias"，CRAB 称之为 "over-popular token amplifying popularity bias"，根因完全同构。
• 相近的技术骨架：两者都把 codebook 利用率视作 SID 质量的关键指标（CARD Figure 8 数有效 codeword 数量；CRAB 用 token-level Group Unfairness）；都不动下游生成器主体，而是在 tokenizer/codebook 一侧做修复。
• 本文（CARD）的差异与推进：CARD 走"预防式（pre-quantization）"路线——用一个可学习可逆的非线性变换把 latent 提前矫正到近似均匀，让残差量化在公平的输入分布上进行；变换可学、可逆、对量化器无关，直接植入 RQ-VAE/R-VQ 都涨点 5%–16%。CRAB 走"事后修复（post-hoc）"路线——在已训练好的 RQ-KMeans codebook 上对 top-5% 过热门 token 做"正则化 K-means 拆分 + 层次语义对齐 embedding 微调"，约束子节点不能拆散。前者改 latent、不动 codebook 结构；后者改 codebook 拓扑、不动 encoder。
• 可比的方法 / 实验差异：评测目标不同——CARD 报 Recall/NDCG（精度），CRAB 重点报 DGU/MGU（公平性）+ Recall（精度），两者数据集也不重叠（CARD 用 Amazon Food/Phones/Clothing，CRAB 用 Industrial + Office）。架构层面：CARD 的 NU 变换是 quantizer-agnostic 的预处理插件；CRAB 的拆分依赖 RQ-KMeans 的层次树结构，扩展到 RQ-VAE 时需要修改 popularity 定义。两条路线完全可以叠加：理论上先用 NU 变换让分布更均衡，再对残留不平衡的少量热门 token 做 CRAB 拆分，应能进一步提升公平性与精度。这是该方向独立并发工作之间最直接的协同想象空间。

八、核心贡献总结¶

CARD 的两条主线对应解决 SID 学习的两类根因，且彼此完全互补：

1. Visual Semantic Unit 把多模态融合提前到"渲染"阶段，利用 SigLIP2 对图像/文字/缩略图的整体感知能力，在 SID 监督缺位的情况下绕开复杂跨模态对齐；
2. NU-RQ-VAE 把非均匀分布矫正提前到量化前，用可学习可逆变换（Kumaraswamy CDF 或 scaled logistic）让残差量化在均匀空间进行，显著提升 codebook 利用率与下游生成稳定性。

工程上的几条值得借鉴的细节：

• 用"渲染成图像 + 通用 VLM 编码"取代"模态-specific 编码 + 后融合"——在缺乏端到端监督的解耦 SID 设定下，这是简化系统、提升稳定性的极强基线；
• "可逆非线性变换 + consistency loss"是一类很轻、对底层量化器不敏感的 SID 改造工具，可移植到 R-VQ / RQ-VAE / OPQ 等多种量化器；
• Kumaraswamy / scaled-logistic 这两类闭式分布在矫正"宽底"或"钟形"经验分布上各擅一边——agent 可根据 encoder 输出经验分布形态选择更合适的 $\mathcal{T}$。

九、讨论与局限性¶

贡献的独特价值：CARD 是少数同时在多模态融合策略与 codebook 利用率两条主线上拿出系统性方案的 SID 论文。它和 CRAB 这种 post-hoc 派别共同确认了"latent distribution skew → codebook bias"是 GeneRec 真实存在的瓶颈；CARD 的 pre-quantization 路线更倾向于一次性根治；CRAB 的 post-hoc 路线更适合在已有量化器上做最小代价补丁。

局限性： 1. 仅在公开 Amazon 学术数据集（Food / Phones / Clothing）上验证，无工业 A/B 实验；论文的 figures 7-8 显示的有效 codeword 数提升仅基于学术数据，不能直接折合成线上 GMV/CTR 收益。 2. 视觉语义单元的 layout 仍然是手工设计——主图位置、文字字号、邻居数量都是人工先验，作者明确把"自动化构造视觉语义单元"列为 future work。 3. NU 变换基于经验分布选择——论文展示了 Kumaraswamy（适合宽底分布）与 scaled logistic（适合钟形）两种实例，但二者哪个更优依赖经验观测；若 latent 分布形态多样或多峰，可能需要更灵活的参数族（Mixture / Normalizing Flow）。 4. 训练成本：渲染 + SigLIP2 编码 + NU-RQ-VAE 训练管线显著重于纯 T5 文本编码方案；论文未报告 tokenization 的离线训练耗时与显存。 5. 协同信号依赖于一个独立的 SASRec embedding，意味着 CARD 的"协同邻居"质量被该外部模型上限锁死；如果协同 embedding 不强，整个视觉语义单元的协同区域贡献会萎缩。

整体看，CARD 给"如何在 SID 监督薄弱的设定下融合异质模态 + 矫正非均匀分布"提供了一种简洁、统一、可移植的解决路径，其核心思想（"渲染替代融合"、"可学习可逆变换替代均匀量化"）独立于具体下游推荐架构，具有较强的通用性。