把「会看」和「会画」装进同一个模型，是这两年影像 AI 最热的合体方向，理由听起来很美：学过画图的模型对画面细节的把握更细，看图也更准。GAS 这篇论文有意思的地方，是它把「生成」从一项产品功能降级成了训练期的陪练——只在训练时在场，部署时整个撤走，看图能力照样涨，模型一个字节都没变大。
先说现在大家是怎么做的。看图大模型（把图像压成一串特征向量、再交给大语言模型去推理的模型，也就是 VLM）正纷纷和画图模型合并成所谓「统一多模态模型」：一个模型既能回答「图里有几把椅子」，也能按文字画图。行业默认这套合体是互利的——生成任务逼着网络记住更多画面信息，反过来喂饱理解。麻烦在于「互利」从来没白来过：生成要「画得像」，理解要「答得对」，两套目标在同一条网络里共用全部参数，梯度互相拉扯。论文自己做了对照实验，把生成监督直接混进训练，综合成绩从 47.25 掉到 46.00。换句话说，「会画帮会看」眼下更像一笔亏本买卖。
GAS 的解法分三步，每一步都在拆掉亏损的来源。第一步，不让模型真画像素：它的「生成」被改写到特征空间——模型眼里的画面本来就是一串向量，训练目标是让它像文字接龙那样，按顺序预测出目标图像对应的那串向量，不需要像素解码器，也不需要把图切成离散积木的 tokenizer；监督目标由一个随训练缓慢滑动的「影子」编码器给出，防止目标本身漂移。第二步，把两条梯度物理隔开：网络从中间一层劈开，下半段共享，上半段长出两条平行支路，一条只答理解题、一条只做特征预测；生成的梯度只准流回共享下半段和视觉投影层，把细粒度画面信息压进底层特征，理解支路则完全听不到生成的声音，只管学会利用这些变好的特征。第三步，生成任务必须「绕不开理解」：按一句复杂指代画框、输出分割掩码、把关键区域高亮成推理证据、用多物体属性关系改写过的文生图。
第三步有个反直觉的数字：同样二十万条文生图数据，随手写的短提示只换来 0.24 分提升、感知成绩还下降；改成富含属性与关系的提示后提升 0.71、四项全升——涨多少取决于任务和理解的关联度，不是样本量。
训练结束，生成支路、预测头、影子编码器整体丢弃，剩下的模型参数、延迟、显存与原来完全一样。在 2B 和 4B 两个规模的从零训练里，感知与空间类任务提升最稳：二维空间感知基准从 69.9 涨到 73.2，计数从 87.7 涨到 90.1，4B 版的部分综合成绩已压过 7B、8B 级的统一模型；纯文本能力不降反略升。机制分析给了原因：深层特征里保住的视觉信息更多，注意力到网络深处仍然聚焦，而对照组的注意力早已弥散。
对影像行业，「训练时在场、部署时退场」这个设计有几个落点。端侧是第一个：相册搜索、拍后问答全靠看图模型，理解变强而体积不变，等于白送——尤其「找出有红色椅子的照片」这类依赖空间和细粒度外观的查询。影像质检与内容审核是第二个：缺陷判断吃的就是底层视觉保真，这条监督路径恰好把细粒度信息压回底层。第三个给统一模型的厂商：生成能力可以当训练脚手架而非产品功能，端上版本只带理解分支，云端版本才带画笔。
存疑的地方也直说。其一，标题里的「生成」有水分——它不是画图，是特征空间里的接龙预测，和扩散模型那种真·像素生成不是一回事，「会画图帮会看图」这条流行叙事，这篇既没证实也没否定。其二，提升不均匀：某个谜题式基准在 4B 上反而从 26.1 掉到 23.6，从零训练时计数与空间还跌过 1.77 分，作者自己也承认这更像「改变了迁移的画像」而非全面提升。其三，训练侧要多花约一成算力，任务体系是一千万样本加一条自动标注流水线，复现门槛在数据工程而非模型本身。