把图片生成得更细，通常意味着把图像切成更多小块；每块对应一个Token——模型处理的一份信息。麻烦是，Token越多，负责彼此对照的注意力（Attention）计算就越贵。SpecSlot试图拆开这组绑定关系：细节可以增加，但不必让所有Token都参加昂贵的全局交流。
它先用空间锚点读取局部图像，再把每个锚点展开成多个槽位，分别负责不同频率的内容：低频对应轮廓和整体明暗，高频对应纹理与边缘。每个锚点只有负责最低频的一枚Token进入全局注意力，其余Token留在锚点内部交流。换句话说，读取、分配输出和决定通信路线，不再由同一种图像分块一并承担。
作者报告，在ImageNet-512上，W256/K4相比算力匹配的JiT对照，FID降低2.84，同时GFLOPs少3.9%；相比JiT-B/16，FID仅落后0.69，成本低38.2%。这些结果来自论文作者，尚不足以说明该分工在更多数据与任务上都成立。