商汤 + NTU 做了个不用 Vision Encoder 也不用 VAE 的多模态模型，结果还挺能打

博客： https://huggingface.co/blog/sensenova/neo-unify 叫 NEO-unify ，主要卖点是把多模态里最"理所当然"的两个组件都扔掉了： 1.不用 Vision Encoder （ CLIP/SigLIP 之类的） 2.不用 VAE

直接从原始像素出发，理解和生成两条路径都塞在一个叫 MoT （ Mixture-of-Transformer ）的骨干里。文本用自回归交叉熵，图像生成用 pixel flow matching ，统一训练。 比较有意思的几个地方：

• 图像重建质量上，2B 的模型在 MS COCO 上跑出来 PSNR 31.56 / SSIM 0.85 ，Flux 的 VAE 是 32.65 / 0.91 ，差距没想象中大，而且这是在 90K pretraining step 之后的成绩
• 把理解分支完全冻住，只训练生成分支，图像编辑居然还能用，ImgEdit 得分 3.32
• 声称比 Bagel 数据利用率高——同样的 benchmark ，用更少的 token 训出来更高的性能

模型还没开源，团队在 HF 评论区说正在准备，tech report 也在路上。 感觉这个思路（彻底去掉预训练编码器，让模型自己从像素里学表示）如果真能 scale 起来是挺有意思的，现在的多模态基本都依赖 CLIP 系的先验，这条路如果走通了架构会干净不少。 有没有做过类似 UMM 工作的 v 友，这种方向实际上训起来坑多吗？

拿到了他们的 discord server 邀请码： https://discord.gg/vh5SE45D8b