TUNA: Domando Representaciones Visuales Unificadas para Modelos Multimodales Unificados Nativos
TUNA: Taming Unified Visual Representations for Native Unified Multimodal Models
December 1, 2025
Autores: 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
Resumen
Los modelos multimodales unificados (UMMs) tienen como objetivo realizar conjuntamente la comprensión y generación multimodal dentro de un único marco. Presentamos TUNA, un UMM nativo que construye una representación visual continua unificada mediante la cascada de un codificador VAE con un codificador de representaciones. Este espacio de representación unificado permite el procesamiento de principio a fin de imágenes y vídeos tanto para tareas de comprensión como de generación. En comparación con UMMs previos con representaciones desacopladas, el espacio visual unificado de TUNA evita los desajustes de formato de representación introducidos por codificadores separados, superando a las alternativas desacopladas tanto en comprensión como en generación. Además, observamos que codificadores de representación preentrenados más potentes producen sistemáticamente un mejor rendimiento en todas las tareas multimodales, lo que subraya la importancia del codificador de representaciones. Finalmente, en este marco unificado, el entrenamiento conjunto con datos de comprensión y generación permite que ambas tareas se beneficien mutuamente en lugar de interferir. Nuestros extensos experimentos en benchmarks de comprensión y generación multimodal muestran que TUNA logra resultados de vanguardia en comprensión de imágenes y vídeos, generación de imágenes y vídeos, y edición de imágenes, demostrando la efectividad y escalabilidad de su diseño de representación unificada.
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.