Tuna-2：抛弃视觉编码器，像素嵌入在多模态理解与生成中全面胜出

Tuna-2提出原生统一多模态模型，完全抛弃预训练视觉编码器，通过简单像素嵌入层直接从原始像素进行视觉理解与生成，在多个基准测试中达到最先进水平，证明端到端像素空间学习是构建更强视觉表征的可扩展路径。

当前多模态大模型依赖预训练视觉编码器（如CLIP、SigLIP、VAE）将图像转为潜在表征，但这种模块拼接式架构存在结构性问题：理解与生成任务使用不同表征通路导致表征错位；预训练编码器参数冻结或微调限制端到端优化潜力。

Tuna-2移除传统视觉编码器，采用简单patch embedding层：将图像切分为固定大小图块，通过线性映射投射到嵌入空间，直接进入Transformer主干与文本token联合建模。理解与生成共享同一视觉通路，实现真正端到端可优化，视觉表征可深度适配下游任务。

Tuna-2在多项多模态理解基准达SOTA；早期使用视觉编码器的变体收敛更快，但大规模训练后Tuna-2反超，尤其在细粒度任务（小目标识别、OCR、视觉问答）表现更优；图像生成质量可与潜在空间方法竞争，且架构更简洁。

Tuna-2挑战主流架构范式：证明视觉编码器非多模态建模必要条件；大幅简化架构（单一Transformer+patch embedding），降低系统复杂度；为统一理解与生成提供自然路径，消除表征错位，利于探索两者深层交互。

Tuna-2代价：训练早期收敛慢，需更多计算资源；当前实验集中于图像模态，扩展到视频、音频等待验证。展望：其核心思想（简单嵌入+大规模端到端训练）具模态泛化性；趋势显示端到端学习的深度适配优势或逐渐超越预训练组件的快速启动优势。

Tuna-2以极简设计证明预训练视觉编码器非不可或缺，通过原始像素+patch embedding的端到端学习，在理解与生成任务均达优异表现，为多模态模型架构简化与扩展性研究指明方向：减少预训练模块依赖，增强端到端学习信心。