TUNA: Addomesticare Rappresentazioni Visive Unificate per Modelli Multimodali Unificati Nativi
TUNA: Taming Unified Visual Representations for Native Unified Multimodal Models
December 1, 2025
Autori: 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
Abstract
I modelli multimodali unificati (UMM) mirano a svolgere congiuntamente la comprensione e la generazione multimodale all'interno di un unico framework. Presentiamo TUNA, un UMM nativo che costruisce una rappresentazione visiva continua e unificata concatenando in cascata un codificatore VAE con un codificatore di rappresentazione. Questo spazio di rappresentazione unificato consente l'elaborazione end-to-end di immagini e video sia per compiti di comprensione che di generazione. Rispetto ai precedenti UMM con rappresentazioni disaccoppiate, lo spazio visivo unificato di TUNA evita le discrepanze di formato di rappresentazione introdotte da encoder separati, superando le alternative disaccoppiate sia nella comprensione che nella generazione. Inoltre, osserviamo che codificatori di rappresentazione pre-addestrati più potenti producono costantemente prestazioni migliori in tutti i compiti multimodali, sottolineando l'importanza del codificatore di rappresentazione. Infine, in questa configurazione unificata, l'addestramento congiunto su dati di comprensione e generazione permette ai due compiti di trarre beneficio reciproco anziché interferire. I nostri ampi esperimenti sui benchmark di comprensione e generazione multimodale mostrano che TUNA raggiunge risultati allo stato dell'arte nella comprensione di immagini e video, nella generazione di immagini e video, e nell'editing di immagini, dimostrando l'efficacia e la scalabilità del suo design a rappresentazione unificata.
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.