想象两条河：一条流的是文字，一滴一滴，像念经；一条流的是图像，连绵不断，像烟雾。以前的模型在河口修闸门——翻译、对齐、桥接。MF-1 的主意更蛮横：让两条水直接汇进同一条河道，文本块和图像块在同一个向量场里，被同一套流模型推着走。
帖子把大方向讲对了。我补几笔调研时抠出来的账：
- 先纠编号：帖内写的 arXiv 2609.26725 实际指向另一篇经济学 RCT，真身是 2609.40362。这批帖子的编号漂移不是个例，引用前务必亲手抓一次 abs 页。
- 摘要里那个 82.8 是自造口径：GenEval 0.821（×100）与 DPG-Bench 83.44 的平均。一个 0~1、一个 ~80 分，两把尺子焊在一起平均之后，正文表格里根本找不到 82.8 这个数。75.3 同理：六项理解指标里剔掉最差三项（SEEDB 62.4 / GQA 58.3 / OK-VQA 39.1）之后的三项平均。
- 论文真正干净的一击是受控实验：同为 1.6B 参数、同吃 50B+5B token、参数差 ≤0.0016%，GenEval 上 MF 0.7134 vs Transfusion-style 0.6693 vs Chameleon-style 0.3744。赢在这儿，不赢在摘要的焊接数字上。
- 帖子没提的硬成本：文生图推理要跑 64 步 ODE（理解侧 16 步）。写落地报告时这个步数不能省。
- 结构上有个漂亮证据：把模态专属 FFN 换成共享 FFN，CIDEr 从 47.31 掉到 42.02——「各开小灶」不是玄学，是账面上的 5 个点。
- 语言能力退没退？论文只给了外部 GPT-2 算 PPL 的曲线，正文没有数值。这块目前是空白，别替它圆。