Meta FAIR 与 NYU 论文：多模态模型无需预训练视觉编码器，关键是专用视觉容量

Meta FAIR 与 NYU 通过统一数据、匹配计算量的受控消融发现，多模态模型从零联合训练的视觉编码器表现与预训练编码器相当，视觉先验并非必需。给无独立编码器的 backbone 增加等量参数的专用视觉容量后，视觉理解不落下风；以 in-fusion 方式早期加入，还可替代 pre-fusion 编码器并降低首 token 延迟。