tuna-2

Tuna-2 是一个面向统一多模态理解与生成的轻量化视觉语言模型，摒弃传统视觉编码器（如VAE或表示编码器），直接对图像块进行像素级嵌入，实现端到端的文本到图像生成与图像编辑。其核心特点是架构极简、无需中间视觉表征，同时在跨模态理解（如VQA、captioning）和生成任务（t2i、图像编辑）上超越前代Tuna及Tuna-R。适用于资源受限环境下的多模态研究、快速原型验证及需要高一致性图文联合建模的学术与工业探索场景。