arXiv 于2026年10月20日发布的一篇计算机视觉与模式识别（cs.CV）方向论文提出了 JUICE（Joint Unified multimodal modeling In Continuous Encoder spaces），即“连续编码器空间中的联合统一多模态建模”，作者为 Jiahan Li 等共12人。该论文针对当前统一多模态模型的一个结构性缺陷：大多数模型对图像与文本采取非对称处理方式——由预训练语言模型生成文本、由外挂的扩散头生成图像，而同时包含两种模态的输出只能按固定顺序产生，因此先产生的输出无法根据后产生的输出进行调整。研究者提出的核心问题是：能否改为由同一个过程联合生成两种模态，并且从零开始对它们进行联合训练。
论文指出，预训练编码器空间能够以统一的连续形式承载两种模态，并携带在大规模数据上学到的知识；近期研究也发现，这类空间作为视觉与语言的生成目标十分有效。因此，作者选择直接在这些空间中建模联合分布。JUICE 是一个运行在冻结的图像与文本表示之上的单一流匹配（flow matching）Transformer，其中每种模态拥有各自的噪声水平。哪些模态保持干净、哪些模态需要生成，决定了模型执行的具体任务：图像生成、图像描述（captioning）、视觉问答（VQA）或联合生成。
作者通过受控的预训练实验逐项检验了各个设计选择。关键发现包括：在相同引导强度下，将文本作为连续状态生成不会损害图像生成能力——GenEval 得分为48.41，而仅针对文本到图像生成训练的模型为47.86；不过生成的字幕会损失部分精确措辞。同时使用联合去噪与条件去噪进行训练，效果优于单独使用其中任何一种；而语义编码器空间作为生成目标，优于 VAE 潜变量和原始像素。
在规模方面，JUICE 参数量为21亿（2.1B），未使用任何语言模型初始化，图像分辨率为224×224，在 GenEval 上最高达到0.88，在 VQAv2 上达到73.1。
论文进一步展示了联合生成的独特能力：通过从联合分布中对两种模态同时采样（称为 coupled sampling，耦合采样），JUICE 可以在绘制地图路线的同时写出与之对应的移动步骤。在存在多个有效解法的迷宫任务上，联合成功率从独立采样时的54.6%提升到93.7%，而且不需要任何模态先输出。在视觉空间规划任务上，JUICE 在其训练规模对应的地图上解决了99.8%的案例。
论文共69页、含31幅图和37张表，并提供项目主页、代码与模型权重的链接。提交时间为2026年10月20日18:25:09 UTC（v1），文件大小约24,163 KB，DOI 为 https://doi.org/10.48550/arXiv.2610.28801（arXiv 通过 DataCite 签发的 DOI，注册尚在处理中）。从提交记录看，该版本为首次提交（v1），归属于 cs.CV 分类下的 new 条目。