Yujie Shen и Lianlei Shan выложили на arXiv препринт C3-UniMM — фреймворк унифицированного мультимодального моделирования. В его основе два механизма: каузальная циклическая согласованность и Super Alignment. Авторы утверждают, что вместе они решают три проблемы существующих унифицированных моделей — семантический дрейф, слабую композиционную обобщаемость и нестабильность при отклонениях от обучения. Ни архитектуры, ни метрик, ни ссылок на код и данные в препринте нет. Насколько именно C3-UniMM превосходит базовые модели — неизвестно. Что это значит: попытка закрыть реальный пробел — мультимодальные модели пока плохо удерживают смысл при трансформациях между модальностями. Но без кода и бенчмарков оценить, получилось ли, невозможно.