美团提出全新多模态统一大模型STAR，GenEval突破0.91，破解“理解-生成”零和困局

近日，美团推出全新多模态统一大模型方案 STAR（STacked AutoRegressive Scheme for Unified Multimodal Learning），凭借创新的 "堆叠自回归架构 + 任务递进训 练" 双核心设计，实现了 "理解能力不打折、生成能力达顶尖" 的双重突破。 在 GenEval（文本 - 图像对齐）、DPG-Bench（复杂场景生成）、ImgEdit（图像编辑）等 benchmark 中，STAR 实现了 SOTA 性能；用最简训练逻辑与紧凑模型设 计让统一多模态大模型真正走向工业级落地。 论文标题：STAR: Stacked AutoRegressive Scheme for Unified Multimodal Learning 理解任务的核心是 "语义对齐与逻辑推理"—— 比如识别图像中的物体、回答图文相关问题，需要模型精准捕捉跨模态的语义关联；而生成任务的核心是 "像素保 真与创意表达"—— 比如根据文本描述生成高清图像，需要模型兼顾细节还原与内容连贯性。两者的优化目标、特征空间显著不同，导致联合训练陷入零和博弈： 强化生成能力，理解准确率会下降；深耕理解任务，生 ...