跳转至

Towards Physics of Multimodal Pretraining: Knowledge Flow, Modality Synergy, Early Unification, and Recipes

复现级别：核心机制 mini-suite。 本地只验证论文可独立实现的算法路径，不把小规模 NumPy 实验冒充原论文规模训练或线上结果。

论文信息

字段 内容
论文链接 arXiv 2608.05000
公司/机构 Meta
第一作者 Junlin Han
首次公开日期 2026-08-05（arXiv v1）
原文开源代码 否：截至 2026-08-24 未发现原作者公开代码
Adapter physics-mm-pretraining
本地复现代码 src/auto_research/reproductions/physics_mm_pretraining/

原始论文总结

背景与主要改动

用受控实验刻画模态知识流、协同/竞争、早期统一和共享 attention+norm/模态专属 FFN 配方。

flowchart LR
  X[固定公开 mini-suite] --> B[recent-window 对照]
  X --> M[physics-mm-pretraining 核心机制]
  B --> E[同样本评测]
  M --> E

原论文关键图

Towards Physics of Multimodal Pretraining: Knowledge Flow, Modality Synergy, Early Unification, and Recipes 原论文 Figure 4

原论文 Figure 4（关键图）：展示原论文的训练流程与关键优化环节。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \mathcal L=\mathcal L_{text}+\lambda_u\mathcal L_{understand}+\lambda_g\mathcal L_{generate} \]

论文离线与线上效果

高效配方仅用 5% 计算预算获得强生成表现，并以 13.5B MoE、2T tokens 验证。 这是原文口径；若原文没有工业 A/B，本页不会把本地结果写成线上收益。

本地复现

本地对照口径：基线为同样本 single-modality representation，实验组为 physics-mm-pretraining；单 seed 变化为 +0.00% 个百分点。

同一 seed、同一 64 条样本上，single-modality representation baseline accuracy 为 1.0000，physics-mm-pretraining 为 1.0000，绝对变化 +0.00 个百分点。单篇原始指标见 metrics/public-seed42.json，批次索引见 ../../experiments/historical-b07-b11-seed42.json。

auto-research reproduce --paper physics-mm-pretraining --seed 42

复现边界

本地使用固定长上下文/多模态/评测 mini-suite，未训练论文规模 checkpoint、未实现定制 CUDA kernel，也未复刻论文完整公开 benchmark。该实现用于确认核心数据流、公式和相对计算路径可执行。