UniRect-CoT：无需训练即可释放统一多模态模型的生成潜力

本文介绍UniRect-CoT框架，通过"思考-绘制"范式激活统一多模态模型的内在理解能力，在无需额外训练的情况下显著提升生成质量。该框架利用模型自身强大的理解能力指导修正生成过程，具有零训练成本、即插即用、通用性强等优势。

统一多模态模型（UMMs）旨在整合视觉理解与生成能力，但普遍存在理解能力远超生成能力的失衡问题。模型丰富的内部知识在理解任务中表现优异，却未能在生成过程中被充分激活利用。

基于人类"边画边想"的自我修正启示，研究者提出无需训练的UniRect-CoT框架。其技术机制包括：1.中间结果与目标指令对齐；2.产生自监督信号修正生成；3.生成过程中持续自我反思循环。框架将扩散去噪视为内在视觉推理过程，利用模型自身理解能力指导生成。

大量实验表明，UniRect-CoT可轻松集成到现有UMMs中，在多种复杂任务上显著提升生成质量。其优势包括：零训练成本（无需额外数据或计算资源）、即插即用（直接应用于现有模型）、通用性强（适用于多种复杂生成任务）。

UniRect-CoT揭示关键事实：许多模型的潜能已编码在内部，只是缺乏合适的激活机制。这一发现不仅适用于多模态模型，也为其他类型模型的能力挖掘提供新思路。

未来可探索的方向包括：设计更高效的自我反思机制，将该方法扩展到更多模态和任务。