TUNA: Zähmung vereinheitlichter visueller Repräsentationen für native vereinheitlichte multimodale Modelle
TUNA: Taming Unified Visual Representations for Native Unified Multimodal Models
December 1, 2025
papers.authors: Zhiheng Liu, Weiming Ren, Haozhe Liu, Zijian Zhou, Shoufa Chen, Haonan Qiu, Xiaoke Huang, Zhaochong An, Fanny Yang, Aditya Patel, Viktar Atliha, Tony Ng, Xiao Han, Chuyan Zhu, Chenyang Zhang, Ding Liu, Juan-Manuel Perez-Rua, Sen He, Jürgen Schmidhuber, Wenhu Chen, Ping Luo, Wei Liu, Tao Xiang, Jonas Schult, Yuren Cong
cs.AI
papers.abstract
Vereinheitlichte multimodale Modelle (UMMs) zielen darauf ab, multimodales Verstehen und Generieren gemeinsam innerhalb eines einzigen Frameworks durchzuführen. Wir stellen TUNA vor, ein natives UMM, das durch Kaskadierung eines VAE-Encoders mit einem Repräsentationsencoder eine vereinheitlichte kontinuierliche visuelle Repräsentation aufbaut. Dieser vereinheitlichte Repräsentationsraum ermöglicht eine End-to-End-Verarbeitung von Bildern und Videos sowohl für Verstehens- als auch für Generierungsaufgaben. Im Vergleich zu früheren UMMs mit entkoppelten Repräsentationen vermeidet TUNAs vereinheitlichter visueller Raum Repräsentationsformatinkongruenzen, die durch separate Encoder eingeführt werden, und übertrifft entkoppelte Alternativen sowohl im Verstehen als auch in der Generierung. Darüber hinaus beobachten wir, dass stärker vortrainierte Repräsentationsencoder durchweg bessere Leistungen über alle multimodalen Aufgaben hinweg erzielen, was die Bedeutung des Repräsentationsencoders unterstreicht. Schließlich ermöglicht in diesem vereinheitlichten Rahmen das gemeinsame Training mit Verstehens- und Generierungsdaten, dass die beiden Aufgaben voneinander profitieren anstatt sich zu behindern. Unsere umfangreichen Experimente auf multimodalen Verstehens- und Generierungs-Benchmarks zeigen, dass TUNA state-of-the-art Ergebnisse in Bild- und Videoverstehen, Bild- und Videogenerierung sowie Bildbearbeitung erzielt, was die Wirksamkeit und Skalierbarkeit seines vereinheitlichten Repräsentationsdesigns demonstriert.
English
Unified multimodal models (UMMs) aim to jointly perform multimodal understanding and generation within a single framework. We present TUNA, a native UMM that builds a unified continuous visual representation by cascading a VAE encoder with a representation encoder. This unified representation space allows end-to-end processing of images and videos for both understanding and generation tasks. Compared to prior UMMs with decoupled representations, TUNA's unified visual space avoids representation format mismatches introduced by separate encoders, outperforming decoupled alternatives in both understanding and generation. Moreover, we observe that stronger pretrained representation encoders consistently yield better performance across all multimodal tasks, highlighting the importance of the representation encoder. Finally, in this unified setting, jointly training on both understanding and generation data allows the two tasks to benefit from each other rather than interfere. Our extensive experiments on multimodal understanding and generation benchmarks show that TUNA achieves state-of-the-art results in image and video understanding, image and video generation, and image editing, demonstrating the effectiveness and scalability of its unified representation design.