评分 7.3 · 来源：arXiv cs.AI · 发布于 2026-04-23
评分依据：提供图像生成模型具备强视觉理解能力的系统性证据，挑战生成-理解二分法假设。对统一视觉模型范式有重要启发。
近期研究表明图像和视频生成器展现出零样本视觉理解行为，类似于LLM如何从生成式预训练中发展出语言理解和推理的涌现能力。虽然长期以来人们推测创造视觉内容的能力意味着理解它的能力，但生成式视觉模型已发展出强大理解能力的证据仍然有限。
核心发现：
- 图像/视频生成器展现出与专用视觉模型相当甚至更强的零样本理解能力
- 生成式预训练 → 视觉理解能力的涌现路径
- 挑战”生成 ≠ 理解”的传统二分法
- 统一视觉模型的新范式可能性
意义：
- 可能无需分别训练生成和理解模型
- 对多模态统一架构有重要启发
- 与当前GPT-4o、Gemini等多模态模型的发展方向一致