arXiv · 机器人与计算机视觉· Wenkai Li, Wenyi Hong, Zhuoyi Yang, Jie Tang·· 2026-10-16AI 评分72
视觉生成能否扩展统一多模态模型的认知?——基于知识迁移探测的研究
Can Visual Generation Expand What Unified Multimodal Models Know?
AI 导读
研究团队引入知识迁移探测(KTP)协议,在七个知识类别和三个统一多模态模型上观察到了从图像生成监督到语言理解的直接但不均匀的转移现象。通过依次引入文本对齐和交错图文对齐策略,发现对选定实体的引导能提升对其他实体的知识访问能力,且交错对齐带来额外增益。
来源:arXiv · 机器人与计算机视觉 · arxiv.org