UniTok

一个 tokenizer 搞定图像生成与理解，让模型更全能

UniTok 是一个面向视觉生成与理解任务的统一分词器，由 NeurIPS 2025 Spotlight 论文提出。它解决了传统视觉分词器在生成任务（如自回归图像生成）与理解任务（如图像分类、分割）之间能力不兼容的问题，通过将视觉信息编码为离散 token，同时支持生成式模型和判别式模型的输入。其核心能力包括：统一的 token 化框架，兼顾生成质量与语义理解；基于自回归模型的图像生成，支持高分辨率重建；以及为多模态大语言模型提供视觉 token 接口。项目代码基于 Python 实现，集成主流深度学习框架，提供预训练模型和推理示例。作为早期项目，UniTok 展示了在统一视觉表征方面的潜力，为后续研究提供了基线。