論文の概要: SenseNova-U1: Unifying Multimodal Understanding and Generation with NEO-unify Architecture

• arxiv url: http://arxiv.org/abs/2605.12500v1
• Date: Tue, 12 May 2026 17:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:57.088898
• Title: SenseNova-U1: Unifying Multimodal Understanding and Generation with NEO-unify Architecture
• Title（参考訳）: SenseNova-U1: NEO統一アーキテクチャによるマルチモーダル理解と生成の統合
• Abstract要約: NEO-Unify上に構築されたネイティブ統一マルチモーダルパラダイムであるSenseNova-U1を紹介する。 SenseNova-U1-8B-MoT と SenseNova-U1-A3B-MoT の2つのネイティブ統一型について述べる。 また,コミュニティ研究を支援するためのモデル設計,データ前処理,事前/後学習,推論戦略についても紹介する。
• 参考スコア（独自算出の注目度）: 110.20462227888915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent large vision-language models (VLMs) remain fundamentally constrained by a persistent dichotomy: understanding and generation are treated as distinct problems, leading to fragmented architectures, cascaded pipelines, and misaligned representation spaces. We argue that this divide is not merely an engineering artifact, but a structural limitation that hinders the emergence of native multimodal intelligence. Hence, we introduce SenseNova-U1, a native unified multimodal paradigm built upon NEO-unify, in which understanding and generation evolve as synergistic views of a single underlying process. We launch two native unified variants, SenseNova-U1-8B-MoT and SenseNova-U1-A3B-MoT, built on dense (8B) and mixture-of-experts (30B-A3B) understanding baselines, respectively. Designed from first principles, they rival top-tier understanding-only VLMs across text understanding, vision-language perception, knowledge reasoning, agentic decision-making, and spatial intelligence. Meanwhile, they deliver strong semantic consistency and visual fidelity, excelling in conventional or knowledge-intensive any-to-image (X2I) synthesis, complex text-rich infographic generation, and interleaved vision-language generation, with or without think patterns. Beyond performance, we show detailed model design, data preprocessing, pre-/post-training, and inference strategies to support community research. Last but not least, preliminary evidence demonstrates that our models extend beyond perception and generation, performing strongly in vision-language-action (VLA) and world model (WM) scenarios. This points toward a broader roadmap where models do not translate between modalities, but think and act across them in a native manner. Multimodal AI is no longer about connecting separate systems, but about building a unified one and trusting the necessary capabilities to emerge from within.
• Abstract（参考訳）: 理解と生成は異なる問題として扱われ、断片化されたアーキテクチャ、カスケードパイプライン、不整合表現空間へと導かれる。 この分割は単なるエンジニアリングアーティファクトではなく、ネイティブなマルチモーダルインテリジェンスの発生を妨げる構造的制限である、と我々は主張する。 したがって、NEO-Unify上に構築されたネイティブ統一マルチモーダルパラダイムであるSenseNova-U1を導入する。 SenseNova-U1-8B-MoT と SenseNova-U1-A3B-MoT という2つのネイティブ統一型をそれぞれ、密度の高い (8B) と知識の混合 (30B-A3B) のベースライン上に構築します。 第一原理から設計され、テキスト理解、視覚言語知覚、知識推論、エージェントによる意思決定、空間知能にまたがる最上位の理解のみのVLMと競合する。 一方、それらは強いセマンティック一貫性と視覚的忠実さを提供し、従来的または知識に富んだ任意のイメージ(X2I)合成、複雑なテキストリッチインフォグラフィック生成、思考パターンの有無に関わらず、視覚言語生成のインターリーブに優れる。 パフォーマンス以外にも、詳細なモデル設計、データ前処理、プレ/ポストトレーニング、およびコミュニティリサーチを支援するための推論戦略を示す。 最後に重要なことは、私たちのモデルは知覚と生成を超えて、視覚言語アクション(VLA)と世界モデル(WM)のシナリオで強く機能することを示す予備的な証拠である。 これは、モデルがモダリティ間を翻訳するのではなく、ネイティブな方法でモデル間で考え、行動するという、より広範なロードマップを指している。 マルチモーダルAIはもはや、別々のシステムを接続することではなく、統合されたシステムを構築し、内部から現れるために必要な能力を信頼することである。

関連論文リスト

• From Pixels to Words -- Towards Native One-Vision Models at Scale [122.87026673966544]
  現在の視覚モデル(VLM)は、通常、複数の段階のアライメントを通して別々の画像エンコーダと言語デコーダを縫合する。 我々は,クロスフレームとピクセルワード対応をエンドツーエンドに学習するネイティブ基盤モデルNEO-ovを紹介する。 NEO-ovは、細粒度の視覚知覚に優れながら、モジュラーとのギャップをかなり狭めている。
  論文  参考訳（メタデータ） (2026-05-27T17:59:55Z)
• Uni-ViGU: Towards Unified Video Generation and Understanding via A Diffusion-Based Video Generator [25.751284227739617]
  視覚生成は、特にビデオにおいて、理解するよりも計算コストがかなり高い。 ビデオジェネレータを基盤として拡張することで、映像生成と理解を統一するフレームワークであるUni-ViGUを提案する。 実験により、Uni-ViGUは映像生成と理解の両方において競争性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-04-09T11:41:58Z)
• UniG2U-Bench: Do Unified Models Advance Multimodal Understanding? [50.92401586025528]
  統一マルチモーダルモデルは、最近強力な生成能力を示したが、生成が理解を改善したかどうかはまだ不明である。 提案するUniG2U-Benchは,G2U(Generation-to-understanding)評価を7つのシステマと30のサブタスクに分類する総合ベンチマークである。
  論文  参考訳（メタデータ） (2026-03-03T18:36:16Z)
• Forge-and-Quench: Enhancing Image Generation for Higher Fidelity in Unified Multimodal Models [23.529904770014735]
  本稿では, 画像の忠実度と詳細性を高めるために理解を活用するという, 新たな視点を紹介する。 我々は、この原則を実践する新しい統一フレームワークForge-and-Quenchを提案する。 実験により、Forge-and-Quenchは複数のモデルで画像の忠実度とディテールを大幅に改善することが示された。
  論文  参考訳（メタデータ） (2026-01-08T08:18:44Z)
• From Pixels to Words -- Towards Native Vision-Language Primitives at Scale [77.93798335498703]
  私たちは、第一原理から構築されたVLM(Vision-Language Models)の新たなファミリーであるNEOを立ち上げました。 NEOは、密集したモノリシックモデル内で視覚言語間の衝突を緩和しながら、スクラッチから視覚知覚を効率的に発展させる。 私たちのコードとモデルは、https://github.com/EvolvingLMMs-Lab/NEO.comで公開されています。
  論文  参考訳（メタデータ） (2025-10-16T17:59:58Z)
• Unified Multimodal Model as Auto-Encoder [69.38946823657592]
  本稿では,テキストに画像を圧縮するエンコーダ(I2T)と,そのテキストから画像を再構成するデコーダ(T2I)の理解に関するパラダイムを紹介する。 我々の経験的結果は、理解は生成を大幅に促進し(GenEvalで検証されている)、生成は、特にきめ細かい視覚知覚を強化することを示唆している。
  論文  参考訳（メタデータ） (2025-09-11T17:57:59Z)
• ARPA: A Novel Hybrid Model for Advancing Visual Word Disambiguation Using Large Language Models and Transformers [1.6541870997607049]
  変換器の高度な特徴抽出機能を備えた大規模言語モデルの非並列的文脈理解を融合したアーキテクチャであるARPAを提案する。 ARPAの導入は、視覚的単語の曖昧さにおいて重要なマイルストーンであり、魅力的なソリューションを提供する。 我々は研究者や実践者たちに、このようなハイブリッドモデルが人工知能の先例のない進歩を後押しする未来を想像して、我々のモデルの能力を探求するよう依頼する。
  論文  参考訳（メタデータ） (2024-08-12T10:15:13Z)
• WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
  我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。 そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T12:25:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。