**UMM-JEPA:通过掩码跨尺度表征预测实现统一多模态生成与理解**

_UMM-JEPA: Generative Pretraining via Masked Next-Scale Representation Prediction for Unified Multimodal Models_

> 针对生成式训练无法有效增强多模态模型理解力的问题,研究提出了 UMM-JEPA。该模型将生成任务重构为对连续视觉表征的渐进式预测,并构建了从粗到细的多尺度表征层级。实验表明,这种基于感知表征预测的目标显著提升了模型在视觉和文本基准上的表现,证明了直接监督感知表征能有效促进生成与理解的协同。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-11-17 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2611.18668)