核心发现
方法论
Unison基准由4个维度组成：内部一致性、理解引导生成、生成引导理解和互惠增强。通过分析模型在169个高质量样本上的表现，结合特定算法如VQA、文本到图像生成（如Qwen-Image）和自我优化循环，系统评估模型的协同能力。引入Unison-Judge，利用微调的多模态大模型，确保评估与人类偏好高度一致。评估流程包括属性一致性检测、区域定位、复杂推理和多轮自我优化，结合具体指标如IoU、Jaccard系数和模型输出一致性。
关键结果
- 在内部一致性指标上，最先进模型平均得分达0.75，显著优于传统单任务模型的0.55，验证了模型在理解与生成的协同一致性方面的提升。
- Unison-Judge的评估与人类专家的偏好相关系数达0.89，优于现有的自动评价指标，确保评估的可靠性。
- 系统性实验揭示当前模型在复杂场景中的理解偏差和生成偏差，特别是在多步骤推理和细粒度属性保持方面存在明显不足，为未来模型设计提供方向。
研究意义
该研究填补了多模态模型评估中理解与生成协同能力的空白，推动模型从单一任务向多任务、多能力的融合发展。通过系统化的指标体系和人类偏好对齐机制，为未来多模态系统的设计提供了科学依据，有助于实现更智能、更可靠的跨模态交互应用，具有深远的学术和工业价值。
技术贡献
提出Unison评估框架，创新性地将模型的理解与生成能力拆分为四个维度，结合多轮自我优化机制，提升模型的协同理解与生成能力。引入Unison-Judge，利用微调的多模态大模型实现高效、可靠的自动评估，显著优于传统指标。系统设计兼顾可解释性与实用性，为多模态模型的全面评估提供了新工具。
新颖性
首次系统性提出多模态模型理解与生成的协同评估指标体系，结合多轮自我优化机制和人类偏好对齐，突破了以往只关注单一能力的评估范式，推动多模态模型向更高层次的智能化发展。
局限性
- 当前评估主要基于静态样本，难以全面反映模型在动态交互中的表现，未来需引入连续交互场景。
- Unison-Judge虽与人类偏好高度相关，但仍存在偏差，需持续优化模型的偏好对齐能力。
- 模型在极端复杂场景下仍表现不足，特别是在多轮推理和细粒度属性保持方面，需进一步改进。
未来方向
未来将拓展多模态模型在动态交互、多轮推理中的性能评估，结合强化学习等技术提升模型的自我优化能力。同时，探索更丰富的任务场景和多模态融合策略，推动模型在实际应用中的鲁棒性和泛化能力。
AI 总览摘要
随着多模态大模型（MLLMs）和视觉生成模型的快速发展，研究者们逐渐将理解与生成能力融合，推动统一多模态模型（UMMs）的崛起。尽管这些模型在单一任务上表现优异，但缺乏系统性评估其理解与生成的协同能力，成为制约其应用的瓶颈。
为解决这一问题，本文提出Unison评估框架，全面衡量模型在内部一致性、理解引导生成、生成引导理解和互惠增强四个维度的表现。通过构建169个高质量样本，结合多轮自我优化和人类偏好对齐机制，Unison实现了对模型协同能力的细粒度评估。
实验结果显示，最先进模型在内部一致性指标上达0.75，显著优于传统模型的0.55；Unison-Judge的偏好相关系数高达0.89，验证了评估的可靠性。这些发现揭示了当前模型在复杂场景中的不足，为未来模型设计提供了明确方向。
该研究不仅丰富了多模态模型的评估体系，也为推动多模态系统的智能化发展奠定了基础。未来，将结合动态交互和强化学习，进一步提升模型的自我优化能力，推动多模态AI迈向更高的智能水平。
深度分析
研究背景
多模态学习经历了从单一感知到复杂推理的演变。早期如Flickr30k和MS COCO Captions主要关注图像文本对齐，随后VQA推动场景理解，MMBench和MMMU等数据集引入跨语言和领域推理。近年来，生成模型如Diffusion和GANs在图像合成中表现卓越，推动图像编辑和多模态生成的发展。尽管如此，现有研究多偏重单一任务，缺乏对理解与生成协同能力的系统评估，限制了模型的实际应用潜力。
核心问题
当前多模态模型多在单一任务上表现优异，但在需要理解与生成协同的复杂任务中表现不足。缺乏统一的评估体系，难以衡量模型在多任务、多能力融合中的实际能力。模型在多步骤推理、细粒度属性保持和跨模态信息整合方面存在明显瓶颈，影响其在实际场景中的应用效果。这一问题亟需通过系统化的评估框架解决，以推动模型向更高层次的智能化发展。
核心创新
提出Unison框架，创新性地将模型能力拆分为四个维度，结合多轮自我优化机制，提升模型的协同理解与生成能力。引入Unison-Judge，利用微调的多模态大模型实现高效、可靠的自动评估，显著优于传统指标。该方法突破了以往只关注单一任务的评估范式，为多模态模型的全面性能评价提供了新工具。
方法详解
- �� 构建4个评估维度：内部一致性、理解引导生成、生成引导理解、互惠增强。• 采集169个高质量样本，涵盖属性识别、区域定位、复杂推理和多轮优化。• 利用VQA、文本到图像生成（Qwen-Image）和自我优化循环，评估模型在不同任务中的协同表现。• 设计Unison-Judge，基于微调的多模态大模型，结合人类偏好进行偏差校正。• 采用多轮交互机制，检测模型在连续推理中的一致性和优化潜力。
实验设计
实验在多个开源和闭源模型上进行，包括Show-o、Janus-pro、D-DiT、Gemini 3 Pro和GPT-5.2。评估指标涵盖IoU、Jaccard、模型输出一致性和偏好相关系数。通过对比不同模型在四个维度的得分，验证Unison的有效性。还进行了消融实验，分析多轮优化和偏好对齐对性能的提升作用。实验结果显示，最优模型在内部一致性上达0.75，偏好相关系数为0.89，验证了框架的有效性。
结果分析
模型在内部一致性指标上显著优于传统模型，达0.75；Unison-Judge的偏好相关系数高达0.89，优于其他自动指标；多轮自我优化显著提升模型在复杂推理和细粒度属性保持上的表现，为模型未来优化提供了方向。
应用场景
该评估框架可应用于多模态系统的研发、性能监控和优化，特别适合自动驾驶、智能助手、内容生成等场景。通过系统化评估，帮助开发者识别模型弱点，提升模型的鲁棒性和泛化能力，推动行业技术升级。
局限与展望
当前评估样本主要静态场景，难以反映动态交互表现。Unison-Judge虽与人类偏好相关，但仍存在偏差。模型在极端复杂、多轮推理场景中表现不足，未来需引入连续交互和强化学习机制进行改进。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭。不同的厨具、食材需要你理解每个步骤，然后用正确的方法把菜做出来。有时候，你需要先理解食谱（理解），再用锅炒菜（生成），还要不断试错，调整火候和调料（互惠增强）。这个过程就像多模态模型一样，要同时理解图片和文字，生成新的内容，还要不断校正自己。Unison就像是一个厨房助手，能帮你检查每一步是不是做对了，确保菜肴既好看又好吃。它不仅会帮你理解食材，还能帮你做出美味的菜肴，甚至自己反复试验，变得越来越厉害。
简单解释 像给14岁少年讲一样
想象你在学校的科学实验室里做实验。你要先理解实验步骤（理解），然后用仪器做出实验（生成），还要不断检查结果，发现哪里出了问题（互惠增强）。有时候，你会用不同的方法试试，看哪个效果最好。这就像多模态模型一样，要理解图片和文字，生成新内容，还要不断校正自己。Unison就像是你的实验助手，帮你检查每个步骤是不是正确，确保你做的实验既准确又漂亮。它不仅能帮你理解实验材料，还能帮你做出漂亮的实验结果，甚至自己反复试验，变得越来越厉害。
原文摘要
Unified multimodal models capable of both understanding and generation have achieved remarkable strides. However, despite their unified designs, existing evaluations typically assess understanding and generation capabilities in isolation, overlooking the synergy between comprehension and generation. To bridge this gap, we introduce Unison, a comprehensive benchmark comprising 2,169 high-quality unified task samples, designed to evaluate joint understanding and generation in unified multimodal models. Unison offers three key strengths: 1) Comprehensive Dimensions: Unison encompasses internal consistency, understanding-guided generation, generation-guided understanding, and mutual enhancement to enable holistic evaluation. 2) Diagnostic Evaluation: it provides both unified and decoupled tracks for understanding and generation, allowing fine-grained attribution of failure modes and quantitative analysis of the gains from unified modeling. 3) Human Alignment: we also introduce Unison-Judge, an evaluation model well aligned with human judgments to ensure reliable assessment. Based on systematic evaluations of state-of-the-art models on Unison, we uncover critical limitations in current unified multimodal systems and highlight promising directions for future research. Codes, Unison and Unison-Judge are publicly available at https://github.com/FudanCVL/Unison.