Prism：面向统一多模态模型的双向自教学

统一多模态模型（UMMs）旨在通过单一模型支持视觉理解与生成。现有的后训练方法要么将理解能力作为固定教师来提升生成能力，要么依赖真实轨迹来监督理解与生成。相比之下，Prism 从自生成的交错展开轨迹中提取双向监督信号，并根据其文本链和图像链的可靠性构建训练目标。我们提出 Prism，一种面向 UMMs 的双向自教学后训练方法。如同棱镜将混合光分解一样，Prism 将耦合的交错轨迹解耦为文本链和图像链，评估各条链的可靠性，并根据它们的可靠性状态构建相应的训练目标。在 SenseNova-U1 和 BAGEL 上的实验表明，Prism 能够同时提升理解与生成能力。在生成方面，SenseNova-U1 的 GenEval 得分从 85.8 提升至 89.2（+3.4），DPG 得分从 86.1 提升至 87.3（+1.2）。在理解方面，MME 总分从 2282.6 提升至 2311.6，MMVP 得分从 58.0 提升至 62.0。在 BAGEL 上也观察到一致的提升。这些结果表明，Prism 通过从自生成轨迹中构建可靠性引导的自训练目标，实现了生成与理解能力的协同提升，且在目标构建过程中无需依赖外部验证器或经外部标注修正的轨迹。