·UMM 论文解读, 技术
1 分钟0
UMM论文解读08-理解与生成的协同真相-南洋理工商汤控变量实验揭示统一多模态模型是共赢还是内耗
UMM 论文解读⑧：理解与生成的「协同真相」——南洋理工×商汤控变量实验揭示统一多模态模型是共赢还是内耗 > 「统一」本身不保证 1+1>2。什么时候共赢，什么时候内耗，这篇论文用三个层面的控变量实验给出了答案。 统一多模态模型（UMM，Unified Multimodal Model）把「
·技术
1 分钟0
UMM 四大前沿动态深度调研：Gemini Omni 1.1 Flash GA、Swift-Image、VGAU-Diag 与 GAS
> 本篇是 UMM 系列的第八篇延伸（前七篇见 08-24 学习路径、08-25 论文解读 01~06、08-26 论文解读 07 后训练篇）。2026 年 8 月下旬，统一多模态领域密集出现四个值得记录的动态：Google 把视频 any-to-any 的统一模型推到 GA 生产版本；阿里用 6B
·多模态, 论文解读
1 分钟0
UMM论文解读07-后训练篇：从GRPO联合强化到自奖励闭环，统一模型如何自我进化
> 前六篇我们把 UMM 的架构演进讲透了：从 Transformer/VQGAN 的知识底座，到 Chameleon/Emu3/Show-o 的早期探索，再到 Janus-Pro/BAGEL/U1 的三种主流范式、VCoT 把视觉变成思维载体、以及向视频与世界模型的延伸。但架构只决定了模型"能做什
·多模态, 论文解读
1 分钟0
UMM论文解读01-基础奠基篇：从Transformer到VQGAN，七篇论文构建统一多模态的知识底座
> 本系列将 UMM（Unified Multimodal Model，理解与生成统一模型）学习路径中涉及的每一篇论文，逐一读取原文、提炼核心思想、标注关键贡献。第一篇聚焦 2017-2023 年间七篇奠基性工作，它们不是统一模型本身，却共同构成了今天所有统一模型的知识底座。 !UMM论文解读系
·多模态, 论文解读
1 分钟0
UMM论文解读02-早期统一模型篇：Chameleon、Emu3、Transfusion、Show-o的四条技术路线
> 2024 年 5 月到 9 月，四个团队几乎同时交出了"统一理解与生成"的答卷。Meta 的 Chameleon 走 early-fusion 全离散路线，智源的 Emu3 证明纯 next-token prediction 就能统一图文视频，Meta 的 Transfusion 把 AR 和扩
·多模态, 论文解读
1 分钟0
UMM论文解读03-主流模型篇：Janus-Pro、BAGEL、SenseNova U1的三种统一范式
> 如果说 2024 年夏天的四篇论文回答了"统一是否可行"，那么 2025 至 2026 年的三篇代表作——DeepSeek Janus-Pro、字节 BAGEL、商汤 SenseNova U1——回答的是"统一能否匹敌甚至超越专用模型"。三条路线分别选择了解耦编码、MoT 双塔、去 VE/VAE
·多模态, 论文解读
1 分钟0
UMM论文解读05-视频与世界模型篇：UniVideo双流统一、Emu3.5下一状态预测与Lance多任务协同
> 统一模型在图像领域验证成功后，自然向视频和世界模型延伸。快手可灵与滑铁卢大学的 UniVideo 用 MLLM+MMDiT 双流架构把统一理解/生成/编辑扩展到视频；智源的 Emu3.5 把"下一 token 预测"升维到"下一状态预测"，用 790 年互联网视频训练出一个 34B 的原生多模态
·多模态, 论文解读
1 分钟0
UMM论文解读06-终章：从统一表征到AGI终局之战
> 前五篇我们逐一拆解了 UMM 的知识底座、早期探索、主流范式、视觉思维链，以及向视频与世界模型的延伸。终章不再解读某一篇论文，而是退到第一性原理，把"理解生成统一、全模态（Omni）、世界模型、具身智能"这四个高频词串成一条技术进化线，并追问：当通用能力栈成型之后，AGI 的终局之战究竟在哪里。
·AI, 多模态, 学习路径
1 分钟0
理解与生成统一模型（UMM）学习路径：从拼接架构到原生统一，从入门到前沿探索
理解与生成统一（Unified Multimodal Model, UMM）是 2024-2026 年多模态 AI 领域最活跃的研究方向之一。从 Meta 的 Chameleon 到字节的 BAGEL、商汤的 SenseNova U1，技术迭代以月为单位。本文给出一条从基础到前沿的完整学习路径，涵盖