arXiv · cs.AI· Wenkai Li, Wenyi Hong, Zhuoyi Yang, Jie Tang·· 1 天前
统一多模态模型能否通过视觉生成扩展知识？
Can Visual Generation Expand What Unified Multimodal Models Know?
arXiv:2610.21459v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Wenkai Li, Wenyi Hong, Zhuoyi Yang, Jie Tang
研究任务与主要进展
研究提出知识迁移探测（KTP）协议，通过图像生成训练向预训练统一多模态模型注入新知识，再用纯文本问答测试其可访问性。在覆盖七个知识类别和三个统一多模态模型的实验中，作者观察到视觉监督向语言能力存在直接但不均衡的迁移，并发现文本对齐与交错图文对齐可改善部分知识访问。分析还指出，正确生成到图像中的知识往往更容易通过文本访问，但两种访问方式之间仍存在明显差距；当前材料仅提供论文摘要，未说明具体实验细节。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org