本研究提出了视觉词典（ViLex），通过自监督学习将丰富的图像信息编码为文本代币，解决了传统方法无法同时捕捉高层语义和细致视觉细节的问题。该方法在零-shot条件下展示了多项任务能力，显著提升了视觉-语言模型性能，为高保真图像生成和视觉场景理解提供新途径。