把一个擅长文字的 AI 后来再接上“眼睛”，看似省事，却可能让它遇到图像时仍靠文字经验猜答案。这项研究追问的正是：文字、视觉理解和图像生成应该何时一起学，又会彼此帮助还是互相拖累。
作者用合成数据与真实数据做受控实验，发现知识流并不对称，模态能否协同还取决于数据复杂度与模型结构。最值得注意的是“视觉懒惰”：如果较晚才引入图像，模型的视觉部分优化得更少，更依赖已有的语言先验；从预训练早期就统一文字与视觉，并同步训练，效果优于晚期对齐或分阶段训练。团队还用多个 13.5B 参数的 MoE——每次只启用部分“专家”模块的模型——在 2T tokens 上验证这些规律。作者称，据此整理的配方只用 5% 计算预算也能取得较强生成表现，但摘要未交代这一比例对应的具体基线。