論文鏈接：https://arxiv.org/pdf/2506.15564 
Git鏈接：https://github.com/showlab/Show-o 

亮點(diǎn)直擊

• 提出了一種改進(jìn)的原生統(tǒng)一多模態(tài)模型，無縫整合自回歸建模與流匹配技術(shù)，能夠跨（交錯(cuò)）文本、圖像及視頻實(shí)現(xiàn)廣泛的多模態(tài)理解與生成任務(wù)。
• 基于3D因果VAE空間，通過語義與低維特征的雙路徑時(shí)空融合機(jī)制，構(gòu)建了可擴(kuò)展至多模態(tài)理解與生成、圖像與視頻模態(tài)的統(tǒng)一視覺表示。
• 設(shè)計(jì)了一種兩階段訓(xùn)練流程，高效學(xué)習(xí)統(tǒng)一多模態(tài)模型，既能保留語言知識(shí)，又無需海量文本語料即可支持模型規(guī)模的有效擴(kuò)展。
• 所提模型在多模態(tài)理解與視覺生成基準(zhǔn)測(cè)試中達(dá)到領(lǐng)先性能，各項(xiàng)指標(biāo)均超越現(xiàn)有方法。

效果展示

圖生視頻

總結(jié)速覽

解決的問題

• 多模態(tài)統(tǒng)一建模的局限性：現(xiàn)有統(tǒng)一多模態(tài)模型（UMMs）主要關(guān)注文本和圖像，缺乏對(duì)文本、圖像和視頻多模態(tài)的統(tǒng)一處理能力。
• 視覺表示與生成的分離：許多方法采用分離的視覺表示（如CLIP理解+VAE生成），導(dǎo)致語義與低維特征割裂，難以兼顧理解與生成。
• 生成能力的缺失：基于語言模型的多模態(tài)系統(tǒng)通常缺乏原生的視覺生成能力，需依賴外部適配器或額外模型組裝。

提出的方案

• Show-o2模型架構(gòu)：

• 3D因果變分自編碼器（3D Causal VAE）空間：統(tǒng)一處理圖像和視頻的隱空間表示，支持時(shí)空融合。
• 雙路徑視覺表示：通過語義層、投影器和空間（-時(shí)序）融合，構(gòu)建同時(shí)包含高層語義和低維結(jié)構(gòu)的統(tǒng)一視覺表示。

• 多模態(tài)統(tǒng)一建模：
• 語言頭（Language Head）：基于自回歸建模預(yù)測(cè)文本token。
• 流頭（Flow Head）：基于流匹配（Flow Matching）生成圖像/視頻，實(shí)現(xiàn)文本到視覺的端到端生成。
• 兩階段訓(xùn)練策略：
• 第一階段：預(yù)訓(xùn)練流頭，學(xué)習(xí)跨文本、圖像、視頻的生成能力。
• 第二階段：全模型微調(diào)，結(jié)合高質(zhì)量多模態(tài)理解與生成數(shù)據(jù)。

應(yīng)用的技術(shù)

• 3D Causal VAE：擴(kuò)展傳統(tǒng)VAE至視頻模態(tài)，支持時(shí)序建模。
• 流匹配（Flow Matching）：替代擴(kuò)散模型，提升生成效率和質(zhì)量。
• 雙路徑融合機(jī)制：結(jié)合語義層（理解）與低維特征（生成），實(shí)現(xiàn)多模態(tài)對(duì)齊。
• 自回歸與流匹配協(xié)同：語言頭（自回歸）處理文本，流頭（流匹配）處理視覺，共享語言模型基座。

達(dá)到的效果

• 多模態(tài)統(tǒng)一能力：

• 支持文本、圖像、視頻的理解與生成任務(wù)，如視覺問答、文本到圖像/視頻生成。
• 在3D VAE空間實(shí)現(xiàn)跨模態(tài)時(shí)空融合，視頻生成中保持時(shí)序一致性。

• 性能優(yōu)勢(shì)：
• 在多項(xiàng)多模態(tài)理解與生成基準(zhǔn)測(cè)試中超越現(xiàn)有方法（如Chameleon、Transfusion等）。
• 流匹配技術(shù)提升生成速度和質(zhì)量，兩階段訓(xùn)練保留語言模型知識(shí)的同時(shí)高效學(xué)習(xí)視覺生成。
• 擴(kuò)展性：模型設(shè)計(jì)支持更大規(guī)模訓(xùn)練，為未來多模態(tài)統(tǒng)一框架提供可擴(kuò)展基礎(chǔ)。

基于視覺表示類型的選擇性統(tǒng)一多模態(tài)模型比較分析，以及用于多模態(tài)理解和生成的統(tǒng)一建模

方法論

本節(jié)介紹整體框架，包含兩個(gè)關(guān)鍵組件：i) 適用于圖像和視頻的多模態(tài)理解與生成的統(tǒng)一視覺表示設(shè)計(jì)，ii) 多模態(tài)理解與生成能力的原生學(xué)習(xí)。隨后，提出兩階段訓(xùn)練流程，旨在漸進(jìn)式學(xué)習(xí)并有效擴(kuò)展統(tǒng)一多模態(tài)模型。

整體框架

總體架構(gòu)

本文提出的統(tǒng)一模型概覽如下圖1所示。給定（交錯(cuò)的）文本、圖像或視頻，文本分詞器與嵌入層以及3D因果VAE編碼器分別將其處理為連續(xù)的文本嵌入和視覺隱空間表示。隨后，視覺隱空間表示經(jīng)過雙路徑時(shí)空融合提取以構(gòu)建統(tǒng)一視覺表示。這些表示被組織為序列，輸入至配備語言頭和流頭的語言模型中，分別通過自回歸建模和流匹配進(jìn)行序列建模。最終，文本反分詞器與3D因果VAE解碼器聯(lián)合解碼輸出。接下來將深入探討統(tǒng)一視覺表示和流頭背后的基礎(chǔ)設(shè)計(jì)原則。

統(tǒng)一視覺表示

訓(xùn)練方案

現(xiàn)有統(tǒng)一多模態(tài)模型（如Show-o、Janus-Pro、Transfusion、Chameleon和Emu3）通?；诖笮驼Z言模型（LLMs）、大型多模態(tài)模型（LMMs）或從頭開始訓(xùn)練。這些方法旨在培養(yǎng)視覺生成建模能力，同時(shí)保持語言建模能力。然而，該過程通常依賴于網(wǎng)絡(luò)規(guī)模的高質(zhì)量文本語料庫，其收集成本極高。因此，缺乏此類資源會(huì)導(dǎo)致語言知識(shí)和建模性能的退化。為解決這一挑戰(zhàn)，我們采用兩階段訓(xùn)練方案（如下表2所示），在無需海量文本語料的情況下，有效保留語言知識(shí)的同時(shí)發(fā)展視覺生成能力。

第一階段

第二階段

隨后使用900萬高質(zhì)量多模態(tài)理解指令數(shù)據(jù)（來自Densefusion-1M和LLaVA-OneVision）以及從6600萬圖文對(duì)中篩選的1600萬高質(zhì)量視覺生成數(shù)據(jù)，對(duì)完整模型進(jìn)行微調(diào)。

規(guī)?；瘮U(kuò)展

在完成約15億參數(shù)的LLM小規(guī)模模型訓(xùn)練后，我們將預(yù)訓(xùn)練的流頭遷移至70億參數(shù)的LLM大模型中，并引入輕量級(jí)MLP變換對(duì)齊隱藏層維度，使其快速適配大模型并收斂。

實(shí)驗(yàn)

實(shí)驗(yàn)設(shè)置

數(shù)據(jù)集

• 整理的約6600萬圖文對(duì)包含分辨率至少為512×512的圖像，篩選自CC12M、COYO、LAION-Aesthetic-12M及AI合成數(shù)據(jù)（合成數(shù)據(jù)除外，其余圖像均通過ShareGPT4-V重新標(biāo)注）。
• 900萬高質(zhì)量多模態(tài)理解指令數(shù)據(jù)來自Densefusion-1M和LLaVA-OneVision。

在蒸餾過程中，公式（1）僅在最后20K次迭代中以0.3的概率應(yīng)用于視覺潛變量。通過配置3D因果VAE編碼器的輸入圖像分辨率為432×432，并采用2×2的塊嵌入層，最終獲得729個(gè)（27×27）視覺潛變量，與SigLIP提取的潛變量維度匹配。經(jīng)蒸餾后，語義層S(·)能夠從干凈和含噪的視覺潛變量中提取豐富的語義特征。統(tǒng)計(jì)數(shù)據(jù)顯示，在精選的6600萬圖文數(shù)據(jù)集上，S(·)從干凈視覺潛變量提取的特征與原始SigLIP提取特征的余弦相似度已收斂至約0.9。當(dāng)處理其他圖像/視頻分辨率時(shí)，本文采用雙三次插值模式對(duì)位置嵌入進(jìn)行插值。

本文的模型基于兩種大語言模型變體：Qwen2.5-1.5B-Instruct和Qwen2.5-7B-Instruct。采用Wan2.1提出的3D因果VAE架構(gòu)，空間和時(shí)間壓縮率分別為8倍和4倍。

第一階段訓(xùn)練中，首先在6600萬精選圖文數(shù)據(jù)（分辨率432×432）上，使用AdamW優(yōu)化器（恒定學(xué)習(xí)率0.0001）對(duì)15億參數(shù)模型進(jìn)行150K次迭代訓(xùn)練。單圖文對(duì)的上下文長(zhǎng)度設(shè)為1024，多模態(tài)理解與生成任務(wù)的批大小分別為128和384。公式（4）中的α設(shè)為0.2。對(duì)于視覺生成數(shù)據(jù)，以0.1概率隨機(jī)丟棄標(biāo)題以實(shí)現(xiàn)分類器無關(guān)引導(dǎo)。該訓(xùn)練過程使用64塊H100 GPU耗時(shí)約1.5天。隨后將生成數(shù)據(jù)替換為1600萬高質(zhì)量數(shù)據(jù)（從6600萬圖文對(duì)中篩選），繼續(xù)訓(xùn)練40K次迭代。

第二階段參照LLaVA-OneVision策略，使用約900萬多模態(tài)指令數(shù)據(jù)和1600萬高質(zhì)量生成數(shù)據(jù)對(duì)15億模型進(jìn)行總計(jì)約35K次迭代訓(xùn)練，此時(shí)式（4）中α設(shè)為1.0，耗時(shí)約15小時(shí)。對(duì)于混合模態(tài)和視頻生成能力的模型，我們?cè)诘谝浑A段逐步加入視頻文本和交錯(cuò)數(shù)據(jù)。視頻數(shù)據(jù)采用隨機(jī)采樣策略：從每段視頻中抽取2秒480p或432×432的17幀片段，幀間隔為3幀，此時(shí)上下文長(zhǎng)度設(shè)置為7006。第二階段加入高質(zhì)量視頻文本和交錯(cuò)數(shù)據(jù)以增強(qiáng)視頻和混合模態(tài)生成能力。為提升圖像生成和文本渲染質(zhì)量，進(jìn)一步在小規(guī)模模型上訓(xùn)練更高分辨率圖像（512×512和1024×1024）并引入TextAtlas的文本密集圖像子集。

在基于70億參數(shù)大模型的訓(xùn)練中，復(fù)用15億模型預(yù)訓(xùn)練的流預(yù)測(cè)頭，對(duì)新初始化的空間（-時(shí)序）融合模塊、投影器和MLP變換層進(jìn)行3K次迭代訓(xùn)練（含2K步熱身）以實(shí)現(xiàn)隱層尺寸對(duì)齊，隨后聯(lián)合訓(xùn)練空間（-時(shí)序）融合模塊、投影器、MLP變換層和流預(yù)測(cè)頭。之后按照15億模型的相同流程進(jìn)行第一、二階段訓(xùn)練。整個(gè)70億模型訓(xùn)練過程使用128塊H100 GPU耗時(shí)約2.5天。由于巨大計(jì)算成本和訓(xùn)練時(shí)長(zhǎng)，大規(guī)模模型訓(xùn)練階段未包含交錯(cuò)和視頻數(shù)據(jù)。

多模態(tài)理解

定量結(jié)果

下表3展示了本文的模型在多模態(tài)理解基準(zhǔn)測(cè)試中的性能表現(xiàn)，評(píng)估指標(biāo)包括MME、GQA、SEED-Bench、MM-Bench、MMU、MMStar和AI2D。如表所示，1.5B和7B模型變體在多數(shù)指標(biāo)上均優(yōu)于當(dāng)前最優(yōu)模型。

對(duì)于參數(shù)量相近的模型（1.5B），本文的模型在MME-p和MMU-val基準(zhǔn)上取得最高分，同時(shí)在GQA和SEED-Bench指標(biāo)上保持競(jìng)爭(zhēng)力。與約7B參數(shù)的更大模型相比，本文的模型在MME-p、GQA、MMMU-val、MMStar和AI2D等指標(biāo)上超越了Janus-Pro等先進(jìn)模型，甚至顯著優(yōu)于14B參數(shù)的TokenFlow-XL模型，而在SEED-Bench和MM-Bench上保持競(jìng)爭(zhēng)性表現(xiàn)。這些結(jié)果驗(yàn)證了統(tǒng)一視覺表示的強(qiáng)大感知能力。

定性結(jié)果

下圖2展示了本文模型的多模態(tài)理解能力。該模型在回答關(guān)于圖像的通用問題時(shí)表現(xiàn)優(yōu)異。它能夠提供圖像的詳細(xì)描述、統(tǒng)計(jì)物體數(shù)量并識(shí)別圖像中的文字。此外，模型還能結(jié)合其世界知識(shí)，為制作牛油果奶昔等日常飲品提供分步指導(dǎo)，并支持雙語問答功能，充分體現(xiàn)了其實(shí)用性和多功能性。更重要的是，我們的模型同時(shí)支持中英文多模態(tài)理解，實(shí)現(xiàn)了雙語交互能力。

視覺生成

圖像生成

在GenEval和DPG-Bench基準(zhǔn)測(cè)試中（下表4和表5），本文的模型超越了TokenFlow-XL、Show-o、Emu3和Transfusion等多數(shù)方法。與使用1.44億圖文對(duì)訓(xùn)練的Janus-Pro相比，僅用6600萬數(shù)據(jù)即取得可比結(jié)果。在DPG-Bench評(píng)估中，本文的模型相比SD3-Medium等純生成模型及Emu3-DPO等統(tǒng)一模型獲得最高綜合分?jǐn)?shù)。上圖2的生成樣例顯示模型可生成高質(zhì)量逼真圖像。

視頻生成在文本/圖像到視頻生成任務(wù)中（下表6和表7），我們的20億參數(shù)模型性能優(yōu)于60億參數(shù)的Show-1、Emu3和VILA-U，并與CogVideoX和Step-Video-T2V競(jìng)爭(zhēng)。圖2中部展示了文本/圖像到視頻生成樣例，模型能根據(jù)文本提示或輸入圖像生成動(dòng)作合理的連續(xù)視頻幀（如微笑女孩、海浪和浮云）。

混合模態(tài)生成

如前圖2所示，我們使用下游任務(wù)視覺敘事數(shù)據(jù)集驗(yàn)證模型的混合模態(tài)生成能力。微調(diào)時(shí)，給定交錯(cuò)圖文序列，以0.3概率對(duì)所有圖像添加噪聲，否則隨機(jī)保留序列中部分早期圖像僅對(duì)后續(xù)圖像加噪。基于3.節(jié)所述通用交錯(cuò)序列格式，模型可預(yù)測(cè)[BOI]令牌開始生成圖像。檢測(cè)到[BOI]令牌后，將向序列追加噪聲逐步生成圖像，已生成的文本令牌和圖像將作為上下文繼續(xù)生成后續(xù)輸出。圖2展示兩個(gè)案例，證明模型能交錯(cuò)生成連貫文本與圖像以生動(dòng)敘述故事。

消融實(shí)驗(yàn)

下表8的預(yù)研實(shí)驗(yàn)驗(yàn)證了空間（-時(shí)序）融合對(duì)多模態(tài)理解與生成性能的影響。實(shí)驗(yàn)采用LLaMA-3.2-1B作為基礎(chǔ)語言模型，僅使用約100萬多模態(tài)理解數(shù)據(jù)和ImageNet-1K生成數(shù)據(jù)。相同訓(xùn)練設(shè)置下，MME-p、GQA和FID-5K等指標(biāo)均有提升，表明融合機(jī)制中的語義與低維特征對(duì)多模態(tài)生成和理解能力具有協(xié)同增強(qiáng)作用。

下表9展示分類器無關(guān)引導(dǎo)（CFG）和推理步數(shù)對(duì)1.5B模型性能的影響。增大CFG引導(dǎo)系數(shù)和推理步數(shù)（合理范圍內(nèi)）可提升GenEval和DPG-Bench分?jǐn)?shù)，但當(dāng)CFG引導(dǎo)超過5.0時(shí)GenEval分?jǐn)?shù)提升不顯著。

下表10說明兩階段訓(xùn)練對(duì)生成性能的影響。第二階段訓(xùn)練持續(xù)顯著提升GenEval和DPG-Bench指標(biāo)，驗(yàn)證其必要性。

結(jié)論

原生統(tǒng)一多模態(tài)模型Show-o2，通過整合3D因果VAE、自回歸建模和流匹配技術(shù)，實(shí)現(xiàn)多模態(tài)理解與生成、圖像與視頻模態(tài)的統(tǒng)一建模?？臻g（-時(shí)序）雙路徑融合機(jī)制構(gòu)建了同時(shí)包含高低層特征的統(tǒng)一視覺表示，兩階段訓(xùn)練方案有效學(xué)習(xí)多模態(tài)能力，使模型可處理多模態(tài)理解和圖像/視頻生成等多樣化任務(wù)。大量實(shí)驗(yàn)證明該模型在多項(xiàng)基準(zhǔn)測(cè)試中達(dá)到最先進(jìn)性能。

本文轉(zhuǎn)自AI生成未來 ，作者：AI生成未來

原文鏈接:??https://mp.weixin.qq.com/s/4XtfXlWljpwzvEyeq_bFXQ??