**UniDDT：解耦扩散Transformer统一多模态理解与生成**

_UniDDT: Unifying Multimodal Understanding and Generation with Decoupled Diffusion Transformer_

> 针对现有多模态统一模型在理解与生成间的学习冲突、视觉空间差异及数据割裂等问题，UniDDT提出使用带噪ViT编码器与大语言模型统一视觉语义编码，并通过独立扩散解码器解耦扩散与文本解码，实现统一视觉表征。同时构建双元数据利用图文对偶性，在视觉生成（GenEval 0.87，DPG 86.9）和多模态理解（MME 1699.5，SEEDbench 76.5）上均取得优异性能，有效平衡生成可扩展性与理解语义表达能力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-06-16 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.16255)