图像与视频生成

TUNA：为原生统一多模态模型驯服统一视觉表征

TUNA: Taming Unified Visual Representations for Native Unified Multimodal Models

把 VAE 编码器与预训练表征编码器级联成统一连续视觉空间，让理解与生成共享同一表征，视觉研究者可直接复用该表征设计来消除理解/生成双编码器的格式错配，并借鉴其「表征编码器越强则全任务越好」的结论选型骨干。