OpenAI 的 GPT-4o 在图像理解、生成和编辑任务上展现了顶级性能。流行的架构猜想是：

• Tokens → [Autoregressive 模型] → [Diffusion 模型] → 图像像素

该混合架构将自回归与扩散模型的优势结合。Salesforce Research、马里兰大学、弗吉尼亚理工、纽约大学、华盛顿大学的研究者在最新的研究（统一多模态模型 BLIP3-o）中也采用了自回归 + 扩散框架。

• 论文标题：BLIP3-o: A Family of Fully Open Unified Multimodal Models—Architecture, Training and Datase
• 论文地址：https://arxiv.org/pdf/2505.09568v1
• GitHub 代码：https://github.com/JiuhaiChen/BLIP3o
• 模型权重：https://huggingface.co/BLIP3o/BLIP3o-Model
• 在线演示：https://huggingface.co/spaces/BLIP3o/blip-3o
• 预训练：https://huggingface.co/datasets/BLIP3o/BLIP3o-Pretrain-Long-Caption
• 指令微调：https://huggingface.co/datasets/BLIP3o/BLIP3o-60k

在这个框架里，自回归模型先生成连续的中间视觉特征，用以逼近真实图像表示，进而引出两个关键问题：

1. 真实特征来源 (Ground-truth features)：用 VAE 还是 CLIP 将图像编码为连续特征？
2. 特征对齐方式：使用 MSE 损失，还是借助扩散模型（Flow Matching）来对齐预测与真实特征？

统一多模态下的图像生成

研究者考察两种图像编码–解码范式：

• VAE：将图像编码为 low level 像素特征，以获得更好的重建质量。但 VAE 编码器在处理更高分辨率输入时，会生成更长的向量序列，从而增加训练过程中的计算负担。
• CLIP + Diffusion：先将图像映射到 high level 语义特征，再通过扩散模型重建真实图像。在实际操作过程中，会先用 CLIP 得到图像特征，然后基于 CLIP feature 训练一个扩散模型来重建图像。该方法好处是无论输入图像分辨率如何，每张图像都可编码为固定长度的连续向量 （比如长度为 64 的向量），这种编码方式能有较好的图像压缩率；但需要额外训练来使扩散模型适配不同的 CLIP 编码器。

针对自回归模型预测的视觉特征与 VAE/CLIP 提供的真实特征，有两类训练目标：

1. MSE：对预测特征与真实特征计算均方误差
2. Flow Matching：基于自回归模型生成的预测特征，通过流匹配损失训练一个 Diffusion Transformer，用 Diffusion Transformer 的输出值来逼近 CLIP 或 VAE 特征

结合不同的编码–解码架构与训练目标，共有三种设计选择：

• CLIP + MSE：最小化预测表征与 CLIP 真实表征之间的 MSE， 比如 Emu2、SeedX。在生成图片的时候，自回归模型生成视觉特征，基于这个视觉特征，使用一个扩散模型来解码图片。
• CLIP + Flow Matching：以自回归模型预测的视觉特征为条件，使用流匹配损失来训练 Diffusion Transformer，以预测真实的 CLIP 表征。在生成图片的时候，自回归模型生成视觉特征，基于这个视觉特征，Diffusion Transformer 生成一个 CLIP feature，然后再基于这个 CLIP feature，使用一个轻量的扩散模型来解码图片。整个过程涉及两次扩散过程，第一次生成 CLIP feature，第二次生成真实图片。
• VAE + Flow Matching：以自回归模型预测的视觉特征为条件，使用流匹配损失来训练 Diffusion Transformer，以预测真实的 VAE 表征。在生成图片的时候，自回归模型生成视觉特征，基于这个视觉特征，Diffusion Transformer 生成一个 VAE feature， 由 VAE 解码器来生成真实图片。

Caption: 在统一多模态模型中，图像生成有三种设计方案。所有方案均采用自回归 + 扩散框架，但在图像生成组件上各有不同。对于流匹配损失，保持自回归模型冻结，仅微调图像生成模块 (Diffusion Transformer)，以保留模型的语言能力。

下图对比了这三种方案在相同设置下的表现，证明 CLIP + Flow Matching 能在提示对齐、图像多样性与视觉质量之间取得最佳平衡。

Caption: 不同方案的对比

研究者发现将图像生成集成到统一模型时，自回归模型对语义级特征（CLIP）的学习比对像素级特征（VAE）的学习更为高效。同时，将流匹配 (Flow Matching)作为训练目标能够更好地捕捉图像分布，从而带来更丰富的样本多样性和更出色的视觉质量。同时有两个阶段的扩散过程，相对于传统的一个阶段的扩散模型，将图像生成分解成了两个阶段，第一阶段自回归模型和 diffusion transformer 只负责生成语义特征，第二阶段再由一个轻量的扩散模型来补全 low-level 特征，从而大幅减轻训练压力。

统一图像理解与生成

通过 CLIP 编码器，图像理解与图像生成共用同一语义空间，实现了两者的统一。

研究者采用顺序训练（late fusion）而非联合训练（early fusion），原因在于：

• 可以冻结自回归模型，保留其图像理解能力；
• 把全部训练资源集中在图像生成模块，避免多任务间的相互干扰。

caption：联合训练（early fusion）同时更新理解和生成模块，顺序训练 （late fusion）先独立调优「理解」，再冻结骨干只训练「生成」。

BLIP3-o：统一多模态模型

基于上述对比，研究者选定 CLIP + Flow Matching 与顺序训练 (late fusion)，构建了 4B 和 8B 参数的 BLIP3-o：

• 预训练数据：25M 开源图文 + 30M 专有图像
• 图像字幕 (caption)：均由 Qwen-2.5-VL-7B-Instruct 生成，平均 120 token；为增强对短提示的适应，还额外混入～10%（6M）的短字幕（20 token）
• 4B 参数开源模型：纯 25M 开源图文对，及～10%（3M）短字幕
• 指令微调：GPT-4o 生成 60K 条高质量示例，显著提升提示对齐和视觉美感

所有代码、模型、数据均陆续开源中，欢迎试用！

Caption: BLIP3-o 可视化示例

研究者发现：

模型能迅速调整至 GPT-4o 风格，提示对齐 (instruction following) 和视觉质量均大幅提升。

caption：图像理解表现

Caption: 图像生成的基准性能与人工评估

结论

本文首次系统地探索了结合自回归与扩散架构的统一多模态建模，评估了三个关键维度：图像表示（CLIP 特征 vs. VAE 特征）、训练目标（流匹配 vs. MSE）和训练策略（early fusion vs. 顺 late fusion）。实验结果表明，将 CLIP 嵌入与流匹配损失相结合，不仅加快了训练速度，也提升了生成质量。

基于这些发现，本文推出了 BLIP3-o, 一系列先进的统一多模态模型，并通过 BLIP3o-60k 6 万条指令微调数据集，大幅改善了提示对齐效果和视觉美感。研究者还正在积极开展该模型的应用研究，包括迭代图像编辑、视觉对话和逐步视觉推理。