**视觉生成能否扩展统一多模态模型的认知？研究揭示图文对齐新路径**

_Can Visual Generation Expand What Unified Multimodal Models Know?_

> 研究提出了知识探测（KTP）协议，验证了通过图像生成监督向统一多模态模型（UMMs）注入新知识的可行性。实验发现，虽然视觉监督能直接转移知识，但图文间的可访问性存在差异。为此，研究引入了文本对齐和图文交错对齐策略，显著提升了模型对实体知识的获取能力，证明了视觉生成是超越文本监督的重要知识来源。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-19 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.21459)