分层聚类

UVU：通过视觉-语言统一自回归范式改进多模态理解

UVU: Improving Multimodal Understanding via Vision-Language Unified Autoregressive Paradigm

把像素级视觉重建作为预训练阶段的统一自回归监督信号，与文本 token 共享同一词表，为提升 MLLM 细粒度视觉感知提供了一条不依赖向量量化的连续视觉编码 + 码本构建思路，可直接迁移到其他多模态预训练配方中。