普林斯顿大学、字节跳动 Seed、北大和清华等研究团队合作提出了多模态扩散大语言模型 MMaDA（Multimodal Large Diffusion Language Models），作为首个系统性探索扩散架构的多模态基础模型，MMaDA 通过三项核心技术突破，成功实现了文本推理、多模态理解与图像生成的统一建模。

该模型旨在实现跨文本和图像领域的深度思考和通用能力，并在文本推理、多模态理解和文本到图像生成等任务上展现超越现有模型（包括GPT-4、Gemini、SDXL）的表现。

• 论文标题：MMaDA: Multimodal Large Diffusion Language Models
• 论文链接：https://arxiv.org/abs/2505.15809
• 代码仓库：https://github.com/Gen-Verse/MMaDA
• 模型地址：https://huggingface.co/Gen-Verse/MMaDA-8B-Base
• Demo 地址：https://huggingface.co/spaces/Gen-Verse/MMaDA

MMaDA的核心创新包括：采用统一扩散架构，具有共享概率公式和模态无关设计，无需模态特有组件；引入混合长链式思考（Mixed Long CoT）微调策略，构建跨模态统一CoT格式，增强复杂任务处理能力；提出统一强化学习算法UniGRPO，专门针对扩散模型设计，通过多样化奖励建模统一推理和生成任务的后训练。

MMaDA-8B模型在文本推理（超越LLAMA-3-7B和Qwen2-7B）、多模态理解（优于Show-o和SEED-X）和文本到图像生成（超越SDXL和Janus，生成更准确、符合世界知识的图片）方面均取得优异成绩。模型采用统一的离散Token化策略处理文本和图像，并在基础预训练、混合长链式思考微调和UniGRPO强化学习三个阶段进行训练。

MMaDA天然支持图像修复（inpainting）和外推（extrapolation），无需额外微调。MMaDA的发布探索了基于扩散模型的通用基础模型设计空间，展示了扩散模型作为下一代多模态智能基础范式的潜力。