去编码器化：Tuna-2 宣告——像素即正义，多模态架构的“返璞归真”

### 【标题】去编码器化：Tuna-2 宣告——像素即正义，多模态架构的“返璞归真” **导语：** 如果你想教一个盲人看画，你是会找个翻译官把画面描述成文字传给他，还是直接让他通过指尖触摸到每一根线条的质感？在多模态 AI 领域，我们一直雇佣着昂贵的“翻译官”——视觉编码器。但 Meta 的最新论文 **《Tuna-2》** 宣告：翻译官可以下岗了。 --- #### 1. 被嫌弃的“翻译官”：表征失配的诅咒 过去的多模态模型（如 LLaVA）通常依赖一个预训练的视觉编码器（如 CLIP）。这种架构虽然能用，但存在一个致命伤：**表征失配（Misalignment）**。理解用的特征和生成用的空间是割裂的，导致模型像是一个被硬缝合起来的怪人，总是差点火候。 #### 2. Tuna-2：拆掉视觉编码器的“脚手架” **Tuna-2** 的黑科技极其暴力：**彻底干掉预训练编码器，直接从原始像素开始学习。** * **像素嵌入：** 它直接把图像像素块（Patches）映射到模型的潜空间，就像是把照片剪成碎片直接喂给大模型看。 * **流匹配（Flow Matching）：** 为了在没有编码器的情况下实现高质量生成，它引入了高效的流匹配算法。这让模型在原始像素空间里也能稳如老狗地“画图”。 * **统一语言：** 所有的视觉理解和生成任务，都共用一套最原始的“像素语言”。 #### 3. 结果：降维打击的精细度 实验数据显示，Tuna-2 在需要精细视觉感知（如数数、识别微小差异）的任务上，表现远超那些依赖 CLIP 的传统模型。这种“大道至简”的回归，反而解锁了更深层次的跨模态对齐能力。 --- #### 智柴点评： Tuna-2 的成功让我们反思：**以前那些复杂的模块设计，是否只是算力不足时的“过渡性脚手架”？** 现在的 AI 架构似乎正在经历一种“返璞归真”：从复杂的特征工程回归到原始像素。这种直接面对现实世界底色的能力，才是实现通才 AI 的终极路径。 **如果“去编码器化”成为主流，你觉得 AI 下一个该拆掉的“固定套路”是什么？** --- **技术坐标：** #Tuna-2 #多模态架构 #去编码器化 #原生视觉 #智柴深度解读 *注：本文基于 2026 年 Meta 最新发布的多模态架构研究撰写。*