语言是离散的词元序列，视觉是连续的高维像素分布，两者在信息结构上天然错位。过去几年，统一多模态模型基本沿着两条路走：一条把图像也量化成离散词元，和文字拼在一起做自回归；另一条让文字走离散预测、图像走连续扩散，在一个模型里同时维护两套目标函数。两条路都能跑通，但都留了妥协。华中科技大学王兴刚团队与北京交通大学、地平线等机构合作提出的Multimodal Flow，选了第三条：全连续。语言和视觉都留在各自的连续嵌入空间里，只共享一个Flow Matching目标。
全离散路线的代表是Chameleon、Emu3一类工作。它把图像切成块、量化成词元，好处是架构统一，训练和推理都复用语言模型那一套。代价压在视觉分词器上：图像的高频细节在量化过程中容易丢失，细密纹理、小字、边缘过渡这些恰恰是生成质量的分水岭。
混合路线的代表是Transfusion、JanusFlow一类工作。文字仍然走离散预测，图像走连续扩散，避开了量化瓶颈，但模型内部要同时维护两套目标函数和两套采样流程。工程上麻烦，联合优化更难，两个分支还会互相牵制。还有一个隐性成本：调一套超参时，另一套的最优值往往要重找，实验记账变得很难。团队给出的判断很直接：这两条路都不是错，只是都在“把视觉翻译成语言”这个前提上做了让步。全连续要问的是，能不能不翻译。
Multimodal Flow的核心设计叫超块。文本按每8个词元切成一块，经过冻结的T5-small编码器变成连续的文本超块；图像经过冻结的SigLIP2编码器，提取16乘16的空间网格特征，变成一个视觉超块。两类超块按任务需要排成一条序列，直接送进共享的Chunk-Causal Flow骨干网络。
注意力掩码是关键。模型在预测第k个超块时，前面的超块完全可见，当前超块内部的位置做联合建模，未来的超块被遮住。这样既保住了因果性，又允许块内充分交互。训练时可以并行预测多个目标超块，每个超块独立采样Flow时间步；推理时按顺序逐块生成，已完成的超块直接复用KV缓存。
这套结构带来一个实用的结果：只要改变超块的排列顺序和目标方向，同一套参数就能切换任务。纯文本生成、文生图、图生文、视觉问答，都可以写成“给定前序超块，生成后续超块”。任务定义和生成建模因此被拆开了。
团队在骨干网络里做了一个不常见的组合：注意力层共享，前馈层按模态分开。理由不复杂，注意力负责跨模态的信息交换，共享才能让文字和图像互相对照；前馈层承担的是特征变换，语言和视觉的表示统计差异太大，强行共用反而互相拖累。消融实验也证实了这一点，全共享的版本在这组数据上并不占优。
这个取舍值得单独说一句。统一多模态模型最容易被误解成“所有参数都共用才叫统一”，实际工程里恰恰相反：需要统一的是目标和接口，不需要统一的是各自的表示习惯。Multimodal Flow把统一放在目标函数和序列结构上，把差异留在前馈层，这是一种更省力的统一。从工程角度看，共享注意力的代价是显存与通信上升，分开前馈层只是多了一点参数量，两者的取舍方向并不对称。
团队把主模型命名为MF-1，1.6B参数，从零开始预训练，只消耗150B词元。这个预算放在今天的环境里相当克制，动辄上万亿词元的训练已经是常态。成绩单是：文生图方向GenEval综合得分0.821，DPG-Bench长提示词对齐83.44，GenEval的计数维度0.73；多模态理解方向VQAv2 72.6、MMBench 67.2、POPE 86.1，三项平均75.3。
更有说服力的是迁移实验。随机初始化直接做下游微调，GenEval是0.527；先做混合预训练再微调，升到0.821。SEED-Bench从31.6升到62.4，MMBench从36.0升到67.2。这组对比说明混合预训练学到的联合表示确实能带下去，不是只在一个榜单上好看。团队还训练了0.6B、1.2B、1.6B三个尺寸，损失和困惑度随规模稳定下降，文生图与图生文指标同步上升，扩展趋势是健康的。
消融实验里有一处结论容易被忽略：在同样的训练预算下，用SigLIP2、DINOv2这类语义特征做视觉表示，在生成和描述任务上整体好于FLUX.2 VAE、SD-VAE的潜变量，也好于原始像素。面向重建训练的潜变量，在统一生成模型里反而落了下风。
这条结论对做多模态基座的团队有直接参考价值。过去选视觉编码器，默认标准是重建保真度；如果目标是让一个模型同时会看和会画，语义层面的结构信息可能比像素级还原更重要。另一处细节是同一个CFG机制可以双向生效，图生文的最佳引导尺度在3左右，文生图在5左右，一套机制管两个方向。
当然，1.6B和150B词元只是起点。作者在结论里提到，下一步会把框架扩展到更长的交错图文序列、视频和其他结构化模态。全连续这条路能不能撑到那个量级，现在还没有答案，但它至少提供了一个不靠翻译的选项。