**HiUni:在共享视觉空间中调和理解与生成能力**

_HiUni: Harmonizing Understanding and Generation in Shared Visual Space_

> HiUni 提出了一种新的统一多模态模型架构,通过复用预训练视觉语言模型中的语言对齐 ViT 和密集 Transformer 骨干网络,实现了视觉理解与生成的深度统一。针对像素空间生成优化困难及预训练模型丢失细粒度空间细节的挑战,该模型引入了像素扩散头(Pixel Diffusion Head)和轻量级 HiGate 路径,在保持理解性能的同时显著提升了图像生成与编辑效果,证明了单一密集骨干网络足以支撑多模态任务。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:ai-models
- **发布时间**:2026-11-20 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2611.26107)