今天，商湯科技發(fā)布一篇最新技術(shù)博客 NEO-unify: 原生架構(gòu)打造端到端多模態(tài)理解與生成統(tǒng)一模型（NEO-unify: Building Native Multimodal Unified Models End to End）

這篇博客深入解讀NEO-unify：一項旨在從底層統(tǒng)一多模態(tài)理解與生成的端到端原生架構(gòu)。

當(dāng)前，多模態(tài)模型普遍采用“視覺編碼器（VE）用于理解，變分自編碼器（VAE）用于生成”的組合式設(shè)計。這套范式雖行之有效，卻也內(nèi)在割裂了感知與創(chuàng)造，常面臨模塊協(xié)同與效率權(quán)衡的挑戰(zhàn)。

我們能否更進一步，讓AI像人一樣，直接從最原始的像素和文字中，統(tǒng)一地進行學(xué)習(xí)、理解與生成？這正是NEO-unify嘗試回答的根本問題。它摒棄了傳統(tǒng)的VE與VAE，首次構(gòu)建了一個真正的端到端原生統(tǒng)一模型，在同一個架構(gòu)內(nèi)直接處理像素與文本，并在此基礎(chǔ)上協(xié)同完成理解與生成任務(wù)。初步研究成果令人振奮，該設(shè)計在保持強大語義理解與細節(jié)恢復(fù)能力的同時，顯著提升了訓(xùn)練與計算效率。

這項技術(shù)將如何為生成式AI打開新的想象？讓我們一同展開探討。

《NEO-unify：原生架構(gòu)打造端到端多模態(tài)理解與生成統(tǒng)一模型》

英文博客地址：

https://huggingface.co/blog/sensenova/neo-unify

中文博客地址：

https://www.sensetime.com/cn/news-detail/51170543?categoryId=72

當(dāng)前多模態(tài)智能架構(gòu)困境

長期以來，多模態(tài)研究已形成一種默認范式：視覺編碼器（Vision Encoder, VE） 負責(zé)感知與理解，而變分自編碼器（Variational Autoencoder, VAE） 則用于內(nèi)容生成。近期的一些工作嘗試構(gòu)建共享編碼器，但這種折衷往往引入新的結(jié)構(gòu)性設(shè)計權(quán)衡。

由此回到第一性原理：構(gòu)建一體化模型直接處理原生輸入，即像素本身與文字本身。商湯科技聯(lián)合南洋理工大學(xué)，提出一種全新的架構(gòu)范式：NEO-unify（preview），一個原生、統(tǒng)一、端到端的多模態(tài)模型架構(gòu)。它不僅越過了當(dāng)前視覺表征的爭論，也擺脫了預(yù)訓(xùn)練先驗和規(guī)模定律瓶頸的限制。最關(guān)鍵的是：不需要 VE，也不需要 VAE。

我們正擴大規(guī)模、持續(xù)迭代。更多模型與開源成果，將很快與大家見面。

NEO-unify原生一體化架構(gòu)新范式

NEO-unify 第一次邁向真正的端到端統(tǒng)一框架，能夠直接從近乎無損的信息輸入中學(xué)習(xí)，并由模型自身塑造內(nèi)部表征空間。首先，引入近似無損的視覺接口，用于統(tǒng)一圖像的輸入與輸出表示；其次，采用原生混合Transformer（Mixture-of-Transformer，MoT）架構(gòu)，使理解與生成能夠在同一體系中協(xié)同進行；最終，通過統(tǒng)一學(xué)習(xí)框架實現(xiàn)跨模態(tài)訓(xùn)練：文本采用自回歸交叉熵目標(biāo)，視覺通過像素流匹配進行優(yōu)化。

模型效果

1. 定量結(jié)果分析

2. 生圖效果展示

技術(shù)發(fā)現(xiàn)

1. 無編碼器設(shè)計能夠同時保留抽象語義與細粒度表征

[圖像重建任務(wù)]

我們先前的工作NEO（Diao et al., ICLR 2026）表明，原生端到端模型同樣能夠?qū)W習(xí)到豐富的語義表征。在此基礎(chǔ)上，我們進一步觀察到一個有趣的現(xiàn)象：即使在凍結(jié)理解分支的情況下，獨立的生成分支仍然能夠從表示中抽取并恢復(fù)細粒度的視覺細節(jié)。

基于這一發(fā)現(xiàn)，我們訓(xùn)練了NEO-unify（2B）。在初步 9 萬步預(yù)訓(xùn)練后，模型在 MS COCO 2017 上取得31.56 PSNR和0.85 SSIM，而Flux VAE的對應(yīng)指標(biāo)為32.65和0.91。這一結(jié)果表明，即使不依賴預(yù)訓(xùn)練VE或VAE，近似無損的原生輸入仍能夠同時支持高質(zhì)量的語義理解與像素級細節(jié)保真。

域外圖像重建（2B NEO-unify，理解分支凍結(jié)）

[圖像編輯任務(wù)]

據(jù)此，我們進一步開展探索：NEO-unify將所有全模態(tài)條件信息統(tǒng)一輸入到理解分支，而生成分支僅負責(zé)生成新的圖像。

即使在凍結(jié)理解分支的情況下，NEO-unify（2B）仍展現(xiàn)出強大的圖像編輯能力，同時顯著減少了輸入圖像令牌的數(shù)量。在使用開源生成與圖像編輯數(shù)據(jù)集并進行初步 6 萬步混合訓(xùn)練后，模型在ImgEdit基準上取得3.32的成績，且理解分支在整個訓(xùn)練過程中保持凍結(jié)。

小規(guī)模數(shù)據(jù)驗證（2B NEO-unify，理解分支凍結(jié)）

ImgEdit提示詞編輯（2B NEO-unify，理解分支凍結(jié)）

2. 無編碼器架構(gòu)與 MoT 主干高度協(xié)同大幅降低內(nèi)在沖突

借助預(yù)訓(xùn)練的理解分支與生成分支，NEO-unify使用相同的中期訓(xùn)練（MT）與 監(jiān)督微調(diào)（SFT） 數(shù)據(jù)進行聯(lián)合訓(xùn)練。即使在較低的數(shù)據(jù)比例和損失權(quán)重下，理解能力依然保持穩(wěn)定，而生成能力則收斂很快。二者在 MoT 主干中協(xié)同提升，整體沖突極小。

3. 無編碼器架構(gòu)，展現(xiàn)更高數(shù)據(jù)訓(xùn)練效率

此外，我們首先進行 web-scale 預(yù)訓(xùn)練，隨后在多樣且高質(zhì)量的數(shù)據(jù)語料上依次進行中期訓(xùn)練（MT） 和 監(jiān)督微調(diào)（SFT）。與 Bagel 模型相比，NEO-unify 展現(xiàn)出更高的數(shù)據(jù)訓(xùn)練效率，在使用更少訓(xùn)練 token 的情況下取得了更優(yōu)的性能。

未來展望

這不僅僅是一種模型架構(gòu)探索，更是邁向下一代智能形態(tài)的一步：

? 感知與生成交織的閉環(huán)

? 全模態(tài)推理

? 視覺推理

? 空間智能

? 世界模型

? …

一條新的路線圖正在展開：模型不再在模態(tài)之間進行轉(zhuǎn)換，而是能夠原生地跨模態(tài)思考。多模態(tài) AI 不再只是連接不同系統(tǒng)，而是構(gòu)建一個從未割裂的統(tǒng)一智能體，并讓所需能力從其內(nèi)部自然涌現(xiàn)。