Harmon：协调视觉表征，统一多模态理解和生成（模型已开源）

南洋理工大学博士生吴思泽提出Harmon项目，旨在通过统一视觉表征协调图像理解和生成。不同于现有割裂或单一表征方法，Harmon基于MAR Encoder实现理解与生成共享，采用三阶段训练策略。实验表明，Harmon在多模态理解基准上接近顶尖水平，在文生图基准上大幅领先同类模型，尤其在美学和指令跟随指标上表现出色，展现出生成与理解协同进化的潜力。
来源：https://mp.weixin.qq.com/s/CX7X8vO0t4MHC2EkB-7huQ