arXiv 於2026年10月20日發佈的一篇計算機視覺與模式識別（cs.CV）方向論文提出了 JUICE（Joint Unified multimodal modeling In Continuous Encoder spaces），即“連續編碼器空間中的聯合統一多模態建模”，作者為 Jiahan Li 等共12人。該論文針對當前統一多模態模型的一個結構性缺陷：大多數模型對圖像與文本採取非對稱處理方式——由預訓練語言模型生成文本、由外掛的擴散頭生成圖像，而同時包含兩種模態的輸出只能按固定順序產生，因此先產生的輸出無法根據後產生的輸出進行調整。研究者提出的核心問題是：能否改為由同一個過程聯合生成兩種模態，並且從零開始對它們進行聯合訓練。
論文指出，預訓練編碼器空間能夠以統一的連續形式承載兩種模態，並攜帶在大規模數據上學到的知識；近期研究也發現，這類空間作為視覺與語言的生成目標十分有效。因此，作者選擇直接在這些空間中建模聯合分佈。JUICE 是一個運行在凍結的圖像與文本表示之上的單一流匹配（flow matching）Transformer，其中每種模態擁有各自的噪聲水平。哪些模態保持乾淨、哪些模態需要生成，決定了模型執行的具體任務：圖像生成、圖像描述（captioning）、視覺問答（VQA）或聯合生成。
作者通過受控的預訓練實驗逐項檢驗了各個設計選擇。關鍵發現包括：在相同引導強度下，將文本作為連續狀態生成不會損害圖像生成能力——GenEval 得分為48.41，而僅針對文本到圖像生成訓練的模型為47.86；不過生成的字幕會損失部分精確措辭。同時使用聯合去噪與條件去噪進行訓練，效果優於單獨使用其中任何一種；而語義編碼器空間作為生成目標，優於 VAE 潛變量和原始像素。
在規模方面，JUICE 參數量為21億（2.1B），未使用任何語言模型初始化，圖像分辨率為224×224，在 GenEval 上最高達到0.88，在 VQAv2 上達到73.1。
論文進一步展示了聯合生成的獨特能力：通過從聯合分佈中對兩種模態同時採樣（稱為 coupled sampling，耦合採樣），JUICE 可以在繪製地圖路線的同時寫出與之對應的移動步驟。在存在多個有效解法的迷宮任務上，聯合成功率從獨立採樣時的54.6%提升到93.7%，而且不需要任何模態先輸出。在視覺空間規劃任務上，JUICE 在其訓練規模對應的地圖上解決了99.8%的案例。
論文共69頁、含31幅圖和37張表，並提供項目主頁、代碼與模型權重的鏈接。提交時間為2026年10月20日18:25:09 UTC（v1），文件大小約24,163 KB，DOI 為 https://doi.org/10.48550/arXiv.2610.28801（arXiv 通過 DataCite 簽發的 DOI，註冊尚在處理中）。從提交記錄看，該版本為首次提交（v1），歸屬於 cs.CV 分類下的 new 條目。