TUNA: Domando Representações Visuais Unificadas para Modelos Multimodais Nativos Unificados
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
Resumo
Os modelos multimodais unificados (UMMs) visam realizar conjuntamente a compreensão e a geração multimodal dentro de uma única estrutura. Apresentamos o TUNA, um UMM nativo que constrói uma representação visual contínua unificada através da cascateamento de um codificador VAE com um codificador de representação. Este espaço de representação unificado permite o processamento de imagens e vídeos de ponta a ponta para tarefas de compreensão e geração. Em comparação com UMMs anteriores com representações desacopladas, o espaço visual unificado do TUNA evita incompatibilidades de formato de representação introduzidas por codificadores separados, superando as alternativas desacopladas tanto em compreensão quanto em geração. Além disso, observamos que codificadores de representação pré-treinados mais fortes produzem consistentemente um melhor desempenho em todas as tarefas multimodais, destacando a importância do codificador de representação. Por fim, nesta configuração unificada, o treinamento conjunto com dados de compreensão e de geração permite que as duas tarefas se beneficiem mutuamente, em vez de interferirem. Nossos extensos experimentos em benchmarks de compreensão e geração multimodal mostram que o TUNA alcança resultados de última geração em compreensão de imagem e vídeo, geração de imagem e vídeo e edição de imagem, demonstrando a eficácia e a escalabilidade do seu design de representação unificado.
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.