叫 NEO-unify ，主要卖点是把多模态里最"理所当然"的两个组件都扔掉了：
1.不用 Vision Encoder （ CLIP/SigLIP 之类的）
2.不用 VAE
直接从原始像素出发，理解和生成两条路径都塞在一个叫 MoT （ Mixture-of-Transformer ）的骨干里。文本用自回归交叉熵，图像生成用 pixel flow matching ，统一训练。
比较有意思的几个地方：
模型还没开源，团队在 HF 评论区说正在准备，tech report 也在路上。
感觉这个思路（彻底去掉预训练编码器，让模型自己从像素里学表示）如果真能 scale 起来是挺有意思的，现在的多模态基本都依赖 CLIP 系的先验，这条路如果走通了架构会干净不少。
有没有做过类似 UMM 工作的 v 友，这种方向实际上训起来坑多吗？
拿到了他们的 discord server 邀请码： https://discord.gg/vh5SE45D8b
