统一多模态模型

统一多模态模型（UMMs）在利用语言链式思维（CoT）辅助图像生成时表现不佳，无法继承大语言模型中的测试时缩放与细粒度可控性。

研究者将UMMs中CoT辅助图像生成的失败归因于模态错配：推理发生在离散token空间，而图像生成运行在连续空间。

研究团队提出了知识迁移探测（Knowledge Transfer Probing, KTP）协议，通过图像生成训练向模型注入新知识，再用纯文本问答来测试这些知识是否真正被模型学会。