解几何题时，你是否会先画一条辅助线来帮助思考？创作一幅画时，你是否需要先理解光影和物理原理？
这种「理解」与「生成」的紧密协同，是人类智能的核心特征。近年来，AI社区致力于构建「统一多模态模型」，期望它们能像人一样，在单个模型内同时具备强大的视觉理解和内容生成能力 。
我们如何知道统一模型的生成和理解能力有何协同作用？
过去多模态评测常把理解与生成分开测，或只看表层一致性，难以揭示两者真正的交互与依赖。但很多真实任务恰恰要求“边画边想、边想边画”，体现出逻辑耦合。
为了解决这一问题，来自 S-Lab（南洋理工大学）、上海人工智能实验室、中国科学技术大学和香港中文大学的研究者们推出了 Uni-MMMU ：
1.首个系统性评“理解↔生成双向增益”的基准：8 个推理中心任务，覆盖几何空间推理、STEM等强逻辑学科，分别检验“生成助理解”“理解助生成”。
2.过程+结果“双通道打分”：既看最终答案，也严查中间视觉步骤（如每一步生成图是否正确），并以可复现的程序化解析器/感知度量/模型打分综合评估，精准可复现。
3.关键发现：当前“统一模型”整体理解显著强于生成；“先生成中间态→再推理”比端到端更稳，若给到 “正确中间态(oracle)”，成绩还会显著上升。
🚀 Uni-MMMU：一个“双向奔赴”的协同基准Uni-MMMU的设计理念是“双向耦合” (bidirectionally coupled)。它涵盖了科学、编码、数学和谜题等8个以推理为中心的领域，系统地考察两种核心协同路径：
范式一：理解指导生成 (Und aids Gen)
在这类任务中，模型必须先“想明白”，才能“画得对”。
科学（物理/化学/生物）： 模型需根据给定的初始状态和科学原理（如“柠檬汁是酸性的”），推理出最终的物理或化学变化，并生成描绘该结果的图像（如“紫色石蕊试纸浸入后变红”）。
代码渲染： 模型被给予原始的图形渲染源代码（SVG） ，它必须在不依赖外部工具的情况下，“读懂”代码逻辑（如形状、颜色、位置），先用自然语言描述出场景，然后再精确地将代码“渲染”成图像 。
范式二：生成辅助理解 (Gen aids Und)
在这类任务中，模型必须“边画边想”，利用生成的图像来辅助自己找到答案。
几何题： 这是对人类解题思路的直接模拟。模型需要先根据指令“画出”正确的辅助线，生成一张新图 ，然后再利用这张自己生成的图来进行逻辑推理，最终解出答案 。
迷宫导航： 模型需要一步一步地走出迷宫 。每一步，它都必须交替生成（1）下一步的移动方向（文本）和（2）移动后迷宫的新状态（图像）。
滑块Puzzle： 类似于迷宫，模型需要规划出到达目标状态的最短路径，并交替输出文本的移动指令和对应的拼图视觉状态 。
Jigsaw拼图： 模型需要面对一块缺失的拼图和两个候选补丁 。它必须先分别生成“用候选A补全”和“用候选B补全”的两张完整图像 ，然后再“看着”自己生成的这两张图，做出判断和推理，选出正确答案 。
评价体系同样讲究：
•所有任务的理解和生成部分均提供GT，同时评估中间模态和最终答案。
•迷宫/滑块设计代码解析器将图像解析为离散状态，既算步级准确率也算整题准确率；
•拼图用 DreamSim 量化生成图与GT的感知相似度；
•几何/科学/代码引入LVLM 多维度打分，并报告Cohen’s κ与人类专家评估的一致度，强调可靠性。
🔬评估与发现研究团队使用 Uni-MMMU 对一系列开源闭源SOTA的统一模型（如 Bagel、nano-banana、GPT-4.1+GPT-image 等）和专用模型进行了全面评估 。
表中数据体现了开源与闭源模型之间的显著差距，此外结果也揭示了当前领域的重要见解：
发现一：生成理解协同作用真实有效
实验证明，这种「生成」与「理解」的协同是解决复杂问题的关键。分析显示，即使模型生成的中间步骤并不完美，也比完全不生成（即端到端）的方案准确率更高 。而当提供完美的中间步骤（Oracle）时，模型性能会得到巨幅提升 ，如表4所示。
发现二：当前统一模型普遍「偏科」，生成是最大瓶颈
评估暴露出一个清晰的趋势：当前统一模型严重偏向于「理解」能力，而「生成」能力是主要的瓶颈 。
模型的失败点高度集中在：
1.编辑一致性漂移
2.指令遵循不严
3.位置/拓扑偏差
例如，在代码渲染任务中，Qwen-Image-Edit 会错误地将本应是文本描述的 SVG 代码也“渲染”到图像上 。在迷宫任务中，Bagel 则倾向于生成无法解析的“无意义符号” 。
