像素空间生成 Transformer 通常一个图像 patch 对应一个 token。要刻画更细的细节，就得增加 token 数，全局注意力的计算随之变贵。作者的观察很具体：更细的细节并不必然需要更多全局通信——低频结构受益于全局交换，高频细节可以在局部建模。基于此，他们提出 SpecSlot，一种像素空间 rectified-flow Transformer，目标是把输出细节与全局注意力序列长度解耦。以下只依据摘要中的机制与数字，不做额外推断。
做法：锚点扩成 DCT 槽，只有最低频进全局
标题中的 Read, Allocate, Route，对应一套角色耦合的 tokenization。每个空间锚点被扩展成多个 slot，每个 slot 分配到一段互不重叠的 DCT 系数频带。锚点密度负责空间采样，频谱细分负责细节带宽，两者不再绑在一起。每个锚点里，只有最低频的那个 slot 参与全局注意力；全部 slot 再在局部交互。于是可以增加频谱细节，而不必拉长全局序列。
模型另有一个 spatial head，给频谱预测叠加一层局部修正。生成状态、预测目标和损失仍留在像素空间，并没有把整条生成过程搬到频谱域。摘要把这条路线称为像素空间生成，而不是把生成目标改到频谱空间。
结果：相对 JiT，FID 相当或更好，算力更低
在 ImageNet-256 上，SpecSlot 的最终 FID 与 FLOPs 匹配的 JiT 对照相当，但收敛更快。在 ImageNet-512 上，相对同一对照 FID 改善 2.84，同时 FLOPs 少 3.9%；相对 JiT-B/16，FID 只差 0.69，成本低 38.2%。文生图设定下，SpecSlot 在 DPG-Bench 上超过 JiT-B/8 达 1.06，前向成本低 40.6%。
摘要没有给出绝对 FID、参数量、训练步数或延迟，也没有消融各项模块的贡献。因此这些数字应读作相对 JiT 对照的报告结果，不宜外推成可复现的完整评测表。
我的判断
SpecSlot 的判断清楚：全局注意力是为低频结构付费的，高频细节不该同步拉长全局序列。对像素空间、rectified-flow 的生成 Transformer，这比单纯靠更密的 patch 拉长序列更对症。价值主要在 tokenization 的角色分工，而不是又报一条孤立的最优成绩。
适用边界取决于那条频谱假设：低频需要全局、高频可以局部。若图像的关键结构本身就在高频，或长程依赖不能被最低频槽传开，这条拆分可能不够。摘要未讨论文字渲染、复杂布局或强文本对齐是否同样成立。局限同样明确：公开材料几乎只有相对 FID 与 FLOPs，缺少绝对指标、显存、耗时和失败案例，工程上还不能当训练配方。现阶段更值得看的是「全局序列不必等于细节分辨率」这一设计，而不是榜上的小数点。