TL;DR

在多模态大模型的演进中，将理解（Understanding）与生成（Generation）统一到同一个参数空间已成为趋势（如 Janus, Show-o）。然而，UniG2U-Bench 的研究表明，这种“统一”并非免费午餐。虽然在空间逻辑和复杂拼图任务中，模型可以通过“边画边想（GtA）”获得提升，但在大多数常规任务中，生成能力往往会反噬理解精度，产生所谓的“对齐税（Alignment Tax）”。

痛点深挖：理解与生成的“同床异梦”

费曼曾说：“我不能创造的，我也不理解。”这一直是统一模型设计的哲学基础。然而，现有的学术评估存在两个盲区：

1. 孤立评价：只测“模型能不能画”和“模型能不能答”，不测“画出来的图对答题有没有用”。
2. 混淆变量：不同模型的性能差异往往来自参数量或预训练数据。UniG2U 通过“统一模型 vs. 对应 VLM 基座”的严格配对实验，剥离了规模效应，直击“生成辅助理解（G2U）”的底层机制。

核心机制：GtA 与 Visual CoT

UniG2U 提出了两种推理范式：

• Direct Inference：模型直接扫描输入图给出答案。
• Generate-then-Answer (GtA)：模型先针对问题绘制一张辅助草图（如几何辅助线、路径规划图），再依据原始图和自己画的图给出答案。

图 1：统一多模态模型的分类学（E2E, Decoupled, Agentic）

实验洞察：生成是助力还是阻力？

1. “对齐税”是真实存在的

实验发现，在大多数任务中，即便不显式生成图片，统一模型在 Direct 模式下的表现也常低于其对应的纯理解基座（Base VLM）。这暗示了在联合训练过程中，生成目标的引入可能干扰了模型对细粒度特征的判别表征。

2. 空间智能：生成的“主战场”

尽管整体表现有所下降，但在空间智能（Spatial Intelligence）、迷宫导航和视觉错觉子项中，统一模型展现了惊人的反超（G2U Gain > 0）。 对于需要视觉路径规划（VSP）或多步状态追踪的任务，强制模型生成中间图像起到了类似 Chain-of-Thought (CoT) 的作用。生成的图像成为了一个“外部工作区”，降低了模型的感知负载。

图 2：不同模型族群在 UniG2U 各维度上的性能对比

3. RA 与 AL：诊断生成的质量

作者引入了两个关键对齐指标：

• Reasoning-to-Visual Alignment (RA)：画得准不准？（即生成图是否符合指令且具备物理合理性）。
• Answer-to-Visual Alignment (AL)：用得好不好？（即模型最后给出的答案是否能与自己画的图逻辑自洽）。

结果显示：在高逻辑强度的几何/物理任务中，RA 得分非常低。模型往往画出一张看似相关但物理规律错误的图像，导致“差之毫厘，谬以千里”，产生严重的误差传播（Error Propagation）。

图 3：生成失败的三类典型情况：能力失效、无意义生成、不相关生成

深度洞察与总结

UniG2U-Bench 的价值在于它打破了“统一模型必然更强”的迷思。研究揭示：

• 表征优先：G2U 的增益主要来源于基座模型继承的强表征，而非某种特定的生成架构（Autoregressive vs Diffusion 对 G2U 的影响不如基座 VLM 大）。
• 场景特化：目前的统一模型更像是一个“偏科生”，它擅长在空间操作中借图发挥，但在通用逻辑面前常被自己生成的错误图像带偏。

未来展望：要真正实现“理解自增强”，模型需要更强的自我验证（Self-verification）能力——在把生成的草图喂给理解模块之前，得先知道自己画得对不对。