语义率失真与后验设计：计算约束、多模态性与战略推断

我们研究在率和计算约束下的战略性高斯语义压缩，其中编码器和解码器优化不同的二次目标。潜在高斯状态生成与任务相关的语义变量，解码器通过MMSE估计作出最佳回应，将编码器的问题简化为在信息率约束下的后验协方差设计。我们在直接、远程和完全信息情境中 characterize 战略率失真函数，导出语义水位填充和受限率的高斯说服解决方案，确立在目标不一致下的高斯最优性。我们进一步表明，架构计算限制作为隐式率约束，导致语义准确率随模型深度和推理时间计算呈指数级提升，而多模态观察消除了远程编码固有的几何平均惩罚。这些结果为数据和能源效率的AI提供了信息论基础，为资源受限下的后验设计机制提供了原则性解释，现代多模态语言模型即为其中之一。