연구진은 토큰화 전략이 과학 기반 모델 학습 표현에 미치는 영향을 분석했어요. DESI Legacy Survey의 64만 개 은하 이미지를 활용해 Affine, AIM, JetFormer, VQ-VAE 4가지 전략을 비교했죠. JetFormer는 재구성 품질이 높았고, VQ-VAE는 은하 물리적 특성 예측 성능이 우수했어요.
재구성 품질과 표현 품질이 분리되어 있다는 점을 확인했으며, 하나의 방법이 모든 작업에서 최고 성능을 내지는 않는다는 결과가 도출됐어요. 연구는 과학 데이터를 활용한 해석 가능한 벤치마크 구축 가능성을 보여줍니다.