UniT 框架：让统一多模态模型学会多轮规划、检查与迭代精炼

UniT 框架让单个统一多模态模型通过多轮规划、输出检查和迭代精炼，处理多条指令、叠加编辑及视觉结论校验任务。研究者借助其他模型生成并批评图像，构建约 12,000 条经过筛选的多步推理与编辑样本。基于这些数据微调 Bagel 模型后，模型在图像生成、组合式编辑、多轮编辑和视觉理解任务上接受了测试。