Codex 翻 Qwen3-VL Technical Report 第 2.2 节 DeepStack 时，最容易在上下文断掉后把“中间层视觉 token”和“前三个 LLM 层”指代翻乱。TaoToken 的处理方式很直接：先去 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=deepstack_codex 创建 Key，再把 Codex 的 Base URL 填成 https://taotoken.net/api。这里要先把话说清楚：TaoToken 只提供 Codex 可用的模型通道 Key 和 Base URL，不参与 DeepStack 的推理，也不负责替模型理解视觉编码器结构；它解决的是调用链路稳定、模型可切换、上下文不因会话中断而散掉的问题。真正要修的是 Codex 翻译 Qwen3-VL 2.2 节时那条“视觉编码器 → 融合器 → 前三个 LLM 层”的指代连接。下面从报错现场、config.toml、分段翻译模板、验证和排障几件事写起。
1. 先看报错现场：Codex 翻 Qwen3-VL 2.2 节时到底把谁和谁弄混了
1.1 半句“中间层视觉 token”和两个“前三个 LLM 层”
Qwen3-VL Technical Report 的 2.2 节篇幅不长，但对象密度很高。它讲的是 DeepStack 机制：从视觉编码器不同层级取特征，经过专门的视觉-语言融合模块投影成视觉 token，再把这些视觉 token 加到前三个 LLM 层的对应隐藏状态里。原文里“中间层”修饰的是 Vision Transformer，也就是 ViT 的中间层；“前三个 LLM 层”修饰的是语言模型的前三层。两个“前三个”如果被翻译成同一个主语，整段技术关系就断了。
Codex 翻到一半时常见错法有三种：第一种，把“中间层视觉 token”理解成 LLM 的中间层，结果变成语言模型中间层里也塞了视觉 token；第二种，把“前三个 LLM 层”理解成视觉编码器前三层，于是融合器投影后的 token 又被送回 ViT；第三种，把“对应隐藏状态”挂到融合模块或视觉编码器上，读起来像融合器自己产生了 LLM 隐藏状态。这三种错都不是 DeepStack 参数要改，而是翻译输出里的上下文连接松了。
1.2 为什么说这是翻译产出的上下文连接问题
把 2.2 节单独拎出来翻译，模型只能靠最近出现的名词猜代词。原文先说视觉编码器三个不同层级，再说专用融合模块把多级特征投影到视觉 token，最后说这些视觉标记被添加到前三个 LLM 层。这里的“这些”和“相应”都需要前文锚点。如果 Codex 的会话被切模型、换 Key 或上下文截断，术语表丢失，模型就会用“最近原则”重新绑定指代，于是出现半段正确、半段错位。
排障视角要固定：不要因为译文乱了就去改 DeepStack 的架构描述，也不要把 2.2 节当成模型配置问题。它是翻译链路问题。需要做的是让 Codex 每次拿到稳定调用通道，再给它一个不会丢的术语表和分段规则。官方额度、多 Key、切模型带来的中断，恰好会放大这个问题，所以先把调用通道固定下来，比反复重试更省时间。
1.3 正确翻译顺序先画出来：视觉编码器 → 融合器 → 前三个 LLM 层
在动手改配置前，先把 2.2 节的翻译顺序写成一条链：
- 视觉编码器从三个不同层级选出特征，这些层级属于 ViT 中间层。
- 专用视觉-语言融合模块把多级特征投影成视觉 token。
- 这些视觉 token 被直接添加到前三个 LLM 层的对应隐藏状态中。
这条链里，“中间层”只属于视觉编码器，“前三个 LLM 层”只属于语言模型，“融合器”只负责投影，不负责产生 LLM 隐藏状态。后面不管用 Codex 重译多少次，都按这条链检查代词。只要译文里出现“LLM 中间层视觉 token”或“视觉编码器前三个 LLM 层”这类混合主语，就说明上下文连接又断了。
2. 在 ~/.codex/config.toml 里给 Codex 换一条稳定通道
2.1 去官网创建 YOUR_API_KEY，别把落地页填进 base_url
准备材料只有两样：一把 API Key，一个填进 Codex 的 Base URL。打开 TaoToken 注册并创建 API Key，Key 在本文统一写成占位符 YOUR_API_KEY。这个官网页面同时可以看模型广场、看用量、进控制台；但填进 Codex 的地址不是这个落地页，而是 https://taotoken.net/api，末尾不要带 /v1。
这里最容易混的是“官网地址”和“接口地址”。官网地址带?utm_source=...，用于注册、创建 Key、看模型列表、看调用记录；接口地址就是https://taotoken.net/api，用于写进~/.codex/config.toml。把官网落地页整串粘到base_url里，Codex 请求会直接走错路径。把接口地址后面补/v1，也可能让兼容通道识别失败。两个地址各管一件事，不要互相替代。
2.2 Codex 的 config.toml 写法：model_provider / base_url / model
下面这份配置按 Codex 的~/.codex/config.toml结构写。模型 ID 不要照抄本文，去模型广场当时列表里取，再用YOUR_MODEL_ID占位替换。Key 不放配置文件里，放环境变量，减少手滑复制进仓库的概率。
# ~/.codex/config.toml model = "YOUR_MODEL_ID" model_provider = "taotoken" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "TAOTOKEN_API_KEY" wire_api = "chat"环境变量按你的系统设一种即可。macOS、Linux 或 WSL 里可以这样：
export TAOTOKEN_API_KEY="YOUR_API_KEY"Windows PowerShell 里可以这样：
$env:TAOTOKEN_API_KEY="YOUR_API_KEY"保存后重新打开终端，让 Codex 读取新的 provider。注意这里没有ANTHROPIC_*变量，Codex 不是 Claude Code，不要把 Claude Code 的环境变量套过来。base_url填https://taotoken.net/api，末尾不加/v1。wire_api = "chat"表示走兼容的 chat 接口；如果你的 Codex 版本对 provider 字段有不同要求，以本地codex --help和实际配置说明为准，但地址规则不变。
2.3 模型 ID 从模型广场取，不要用旧文章里的日期后缀
模型 ID 以 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=deepstack_codex 模型广场当时列表为准。不要自己拼日期后缀，也不要把旧文章里看到的 ID 直接当成正式配置。翻译 Qwen3-VL 2.2 节这种术语密集段落，重点不是模型名字听起来新，而是它能不能稳定接住长上下文、能不能在分段翻译时保持术语一致。
如果模型广场里有多个可用模型，建议先用小段测试：把 2.2 节拆成三句，分别让 Codex 翻译，观察代词指代是否正确。测试通过后，再把 2.1 末尾、图 1 说明和 2.2 全文一起喂进去。模型 ID 一旦写进config.toml，后续切换要改配置并重开终端，不要在同一次会话里一边切模型一边接着翻，否则术语表很容易丢。
3. 重译 Qwen3-VL 2.2 节：把 DeepStack 段拆成三个动作
3.1 先让 Codex 固话术语表，锁死 ViT middle layers / merger / first three LLM layers
重译前不要让 Codex 直接从头翻到尾。先让它输出术语表，把容易混的词固定下来。提示词可以这样写：
你在翻译 Qwen3-VL Technical Report 第 2.2 节 DeepStack。 先输出术语表，不要翻译正文： Vision Encoder = 视觉编码器 ViT middle layers = ViT 中间层 Vision-Language Merger = 视觉-语言融合模块 visual tokens = 视觉 token LLM layers = LLM 层 hidden states = 隐藏状态 corresponding = 对应的 然后声明一条规则：中间层只属于视觉编码器，前三个 LLM 层只属于语言模型，融合器只做投影。术语表出来后再翻正文，模型会少很多自由发挥。尤其要盯住两个词：middle layers不能翻成“中间层 LLM”，first three LLM layers不能省掉LLM。中文里“前三个层”单独出现时太容易被误读，最好每次都写成“前三个 LLM 层”。
3.2 分段翻译模板：每段只处理一个动作，每段末尾标指代
2.2 节的技术动作可以拆成三段。让 Codex 按下面模板翻，不要合并：
请按“视觉编码器 → 融合器 → 前三个 LLM 层”的顺序分段翻译。 第 1 段：视觉编码器从三个不同层级选择特征。说明这些层级属于 ViT 中间层。 第 2 段：专用视觉-语言融合模块把多级特征投影成视觉 token。说明投影后得到的是视觉 token。 第 3 段：这些视觉 token 被添加到前三个 LLM 层的对应隐藏状态中。说明“前三个 LLM 层”不是视觉编码器层级。 每段末尾用一句话标明代词指代： these multi-level features 指什么； these visual tokens 指什么； corresponding hidden states 指什么。 禁止把 LLM 层和视觉编码器层级合并。这个模板的好处是把“谁对谁做动作”锁死。第 1 段主语是视觉编码器，宾语是特征；第 2 段主语是融合模块，宾语是视觉 token；第 3 段主语是视觉 token，动作是添加，落点是前三个 LLM 层的隐藏状态。每段末尾的指代说明不是装饰，是给下一步回读校验用的。
3.3 把 2.2 节前文 2.1 和图表说明一起给 Codex
2.2 节开头会承接架构总览，里面提到视觉编码器、融合器和 LLM 三个模块。如果只贴 2.2，模型不知道Vision Encoder和LLM在本文里的边界，就会把“层”这个字随便挂。更稳的做法是把 Model Architecture 里关于三模块结构的说明、2.1 节末尾关于 MRoPE 的几句、以及图 1 的模块描述一起贴给 Codex。
贴的时候不要一次塞整篇 256K 上下文。按节贴，顺序是：三模块结构 → 2.1 末尾 → 2.2 全文。贴完先让 Codex 复述“视觉编码器、融合器、LLM 各负责什么”，确认它没有把融合器说成视觉编码器的一部分，再开始分段翻译。这样即使中途换模型，也能用这份复述重新建立上下文。
3.4 回读校验：三处指代是否一致
翻完后不要只看中文顺不顺。做一张三项检查表：
these multi-level features是否指视觉编码器三个不同层级选出的特征，而不是指 LLM 隐藏状态。these visual tokens是否指融合模块投影后的视觉 token，而不是 ViT 中间层原始特征。corresponding hidden states是否指前三个 LLM 层的隐藏状态，而不是融合器输出。
三项里只要有一项错，就把对应段落退回重译。重译时不要接着上一版改，重新贴术语表和分段模板。因为指代错误一旦进入中文，后续润色会把错的关系写得更顺，反而更难发现。
4. 配置跑通后的验证：用模型对话测一条，再回控制台看账
4.1 用同一把 Key 发最小请求
配置保存后，先在 TaoToken 模型对话 里用同一把 Key 发一条测试消息，确认模型 ID 和 Base URL 没填错。测试消息不需要复杂，问“请用一句话说明视觉编码器、融合器、LLM 三者的关系”就够了。如果模型对话能正常返回，说明 Key 和模型 ID 基本可用；如果 Codex 仍然报鉴权失败，优先检查环境变量和~/.codex/config.toml里的 provider 名称。
这一步同时能验证你是否把官网地址误填进了接口位置。模型对话走的是官网侧的调试入口，Codex 走的是https://taotoken.net/api。两边都用同一把 Key，但地址角色不同。测试通过后，再回到 Codex 里翻 2.2 节，能排除大部分低级配置错。
4.2 回控制台看用量，确认 Codex 翻译走的是同一把 Key
发完测试消息和一轮 2.2 节翻译后，回到 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_content=deepstack_codex 控制台看用量。重点不是看数字大小，而是确认 Codex 的调用有没有记到这把 Key 上。如果模型对话有记录、Codex 那边没有，说明 Codex 还在用旧 provider，或者终端没有重新加载环境变量。
再核对一次~/.codex/config.toml：model_provider = "taotoken"，base_url = "https://taotoken.net/api"，env_key = "TAOTOKEN_API_KEY"。三项一致后，重新打开终端再跑一次翻译。用量记录能对上，后面排障就不用猜是 Key 问题还是提示词问题。
4.3 本篇最可能踩的错：base_url 多 /v1、Key 带空格、模型 ID 照抄旧文章
第一，base_url写成https://taotoken.net/api/v1。本篇要求末尾不加/v1，填https://taotoken.net/api。第二，Key 从网页复制时带了空格或换行，环境变量里看起来有值，实际请求头是错的；重新复制 YOUR_API_KEY 的位置，粘贴后手动检查首尾。第三，模型 ID 照抄旧文章，没去模型广场核对；本文不写具体模型名，就是避免这种抄错。第四，把官网落地页带?utm_source=...的地址填进base_url，这会让 Codex 请求路径完全不对。
这几类错不会影响 DeepStack 本身，只会让翻译会话断掉。每次断掉后接着翻，指代就更容易乱。所以先把配置错误清掉，再谈翻译质量。
5. Codex 重译 DeepStack 仍乱指代：三个排障动作
5.1 上下文窗口没留够，2.1 的 MRoPE 被截掉
如果只贴 2.2 节，模型看不到 2.1 对位置编码和视觉 token 的前置说明，也看不到三模块结构的定义。它会把“层”默认理解成当前段落里最近出现的层。重译时把 Model Architecture 的三模块说明和 2.1 末尾一起贴进去，再贴 2.2。不要一次贴整篇报告，按节贴能让模型注意力集中在当前术语链上。
如果上下文快满了，先让 Codex 输出摘要：视觉编码器负责什么，融合器负责什么，LLM 负责什么，DeepStack 把什么注入到哪里。摘要确认无误后，清掉旧对话，用摘要加 2.2 原文重新开始。这样比在快满的上下文里硬续写更稳。
5.2 提示词里没有强制“视觉编码器/融合器/LLM 层”三级主语
中文翻译很容易省略主语，但 2.2 节恰恰不能省。提示词里要加一条硬规则：每个动作句必须写清主语来源。不要写“它们被添加到前三个 LLM 层”，要写“融合模块输出的视觉 token 被添加到前三个 LLM 层的对应隐藏状态”。不要写“中间层特征被投影”，要写“视觉编码器 ViT 中间层选出的多级特征被专用融合模块投影”。
这条规则会增加一点译文长度，但能显著降低指代混乱。Qwen3-VL 2.2 节不是文学翻译，术语边界比句子优雅更重要。宁可主语重复，也不要让“它”“这些”“相应”悬空。
5.3 模型切换后术语表丢失，重新粘贴再分段
中途切模型后，不要接着上一段继续翻。新模型没有旧会话里的术语表，也没有你之前强调的“前三个 LLM 层”规则。正确做法是先让它复述术语表，再让它复述三段顺序，然后从当前段落的开头重译。已经翻好的前文可以保留，但当前段落要从主语完整的位置重新开始。
如果 Codex 已经把“前三个 LLM 层”翻错，不要只改那一句。回到视觉编码器选特征那一段，重新走一遍“视觉编码器 → 融合器 → 前三个 LLM 层”的链路。因为指代错误往往不是单句错，而是前一段的主语就绑错了。
6. 把这套 DeepStack 翻译流程固定下来
6.1 项目里建一个 deepstack_terms.md
在项目根目录建一个deepstack_terms.md，把术语表、三段顺序、禁止合并的规则写进去。每次让 Codex 翻 Qwen3-VL 2.2 节前，先让它读这个文件，再贴原文。文件内容可以包括：ViT middle layers只指视觉编码器中间层；first three LLM layers必须保留 LLM；merger只做投影；visual tokens是融合器输出；hidden states是 LLM 层状态。这样换 Key、换模型、换终端后，术语规则不会丢。
这个文件还能当回读校验表。翻译完成后，让 Codex 对照deepstack_terms.md检查三处指代，输出“通过/不通过”。不通过就重译，而不是在中文里手动硬改。硬改容易把错误关系藏起来，下次翻同系列论文还会再犯。
6.2 长期翻译去 Coding Plan 看额度，Key 去控制台创建
配置保存并跑通后，先用 TaoToken 模型对话 发一条最小测试消息，再用同一把 Key 让 Codex 重译 2.2 节。若你经常翻 Qwen3-VL Technical Report 这类长报告，可以打开 Coding Plan 看套餐是否够用；新的 Key 在 控制台 API Keys 创建。后续要调整 Codex 通道，回~/.codex/config.toml把base_url保持在https://taotoken.net/api，末尾不要加/v1。如果下一次 Codex 又把“前三个 LLM 层”翻成视觉编码器层级，先回模型对话发一条测试消息，再去控制台确认这把 Key 的调用记录，然后按 2.2 节的三段链路重新贴一遍上下文。
