伪统一性：熵探测揭示统一多模态模型中的信息模式分歧

一句话定位

提出基于信息论的熵探测框架，揭示统一多模态模型在编码和生成阶段存在模态不对称与响应模式分裂，导致‘伪统一性’现象。

小学生也能听懂

这篇论文像用“信息温度计”测量AI大脑，发现虽然它能同时看图片和读文字，但处理时两边“热度”不同，有的先降温有的后降温，导致看似统一其实各管各的，只有小模型Harmon能真正协调两边一起思考。

为什么值得记录

首次从模型内部信息流角度诊断统一多模态模型（UMMs）的‘伪统一性’问题，超越传统任务性能评估；
提出非参数化核空间熵估计方法，解决Transformer隐式表示中经典信息论度量不可行的问题；
发现小规模模型（如Harmon）在跨模态推理上优于大模型，挑战‘参数越多越好’的假设；
揭示真实多模态协同需编码一致性与响应连贯性双重统一，而不仅是共享参数或架构整合。

核心方法

构建两层次探测框架：提示层分析输入表示熵，响应层估计提示-响应条件熵；
采用基于Gram矩阵的Rényi熵在再生核希尔伯特空间（RKHS）中量化嵌入序列的信息不确定性；
设计条件熵代理：Ĥ(Zr|Zp) = Hα(Kjoint) − Hα(Kpp)，通过联合核矩阵与提示核矩阵熵差衡量输出对输入的依赖程度；
在10个代表性UMMs（涵盖原生统一、MoT、MLLM+扩散管道等架构）上系统探测文本与图像提示的层间熵动态；
使用T2I-CoReBench（文本）和MMBench（图像）基准数据，覆盖推理与感知类任务。

关键结果

所有模型均表现出结构无关编码：同一模态内不同语义类型的提示具有几乎相同的层熵轨迹；
存在系统性跨模态编码不对称：文本常经历早期熵崩溃（如BAGEL），而图像保持高熵（≈9），反之亦然（如Harmon）；
响应模式分裂普遍存在：除Harmon外，所有模型文本生成的条件熵显著高于图像生成，体现高熵创造性 vs 低熵保真性；
仅Harmon实现跨模态收敛：其文本与图像的条件熵在深层对齐，支持更强的推理驱动文生图能力；
OmniGen2因采用文本条件控制图像生成，其图像响应熵与提示几乎一致，呈现特殊混合模式。

局限与风险

熵代理虽经验有效，但非严格香农条件熵，理论解释仍依赖几何类比；
实验限于公开UMMs与标准基准，未涵盖所有新兴架构（如Chameleon、Emu3）；
未探究训练策略（如RecA）如何具体影响熵动态，仅作初步对比。

适合沉淀的概念

pseudo-unification, unified-multimodal-models, entropy-probing, modality-asymmetric-encoding, pattern-split-response, conditional-entropy-proxy, matrix-based-renyi-entropy, representation-geometry

阅读注意

关注图1中BAGEL与Harmon在‘美国国旗’任务上的对比，理解‘响应分歧’与‘小模型优势’；
注意第3.4节中熵随信息簇数量单调增加的验证实验，确认核熵的有效性；
图7是关键结果：除Harmon外，所有模型文本条件熵 > 图像，体现生成逻辑分裂；
表1显示同一模型内文本类型间熵差异小，支持‘结构无关编码’结论；
第5.3节总结四种跨模态编码模式，是理解伪统一性根源的核心。

质量说明

采用来源：raw，raw/papers/2026/04/2604.10949.md
生成模型：LongCat-Flash-Chat
源材料判断：论文材料完整，包含方法推导、实验设计、结果分析与可视化，数据充分支持结论。