0. 一句话结论
\”低垂果实\”已被摘完，剩下的增量集中在三个断层 + 两个外延：表示断层（理解与生成仍未统一）、时间断层（在线流式 vs 离线问答）、评测断层（benchmark 已饱和甚至被污染）；外加空间/具身（与世界）和全模态实时交互（与人）。
下面我把这五件事按「做这件事对谁有意义、需要什么资源、最大的坑是什么」的顺序展开。回答分三层：
如果只想要一句话总结：别再做 token 压缩了，做表示、做时间、做评测、做空间。
1. 先说\”别碰\”与\”该碰\”——选题的三条硬标准
我同意问题下 @一只特立独行的猫 答主说的\”视觉 Token 压缩已经不需要再去碰\”。但光这一条不够。我给一个更通用的判断框架：
一个 MLLM 方向值不值得做的三条标准
依此标准，2026 年应当回避的方向：
| 视觉 token 压缩（patch select、Q-Former、相似度剪枝） | Qwen3-VL 已经原生支持任意分辨率（动态 ViT + 2×2 patch merge + M-RoPE）；AnyRes tiling 也已成熟；这类工作\”省下的上下文\”会被更高分辨率的 base 直接覆盖 | Qwen3-VL 技术报告、M-RoPE |
| “XX 领域的 MLLM”（缺真实任务定义） | 没有清晰 error mode 的领域微调，纯属增量式 SFT | 业界反馈 |
| 换数据集/换 benchmark 的 alignment | 已被 Dynamic Task Perturbation 类方法证明任务微调会造成\”尖锐最小值\” | arXiv 2506.06358 |
| 纯 prompt 工程的 VQA 涨点 | 已被 GRPO 类方法系统性覆盖 | — |
而 2026 年值得押注的方向，按\”增量大小 × 投入门槛\”排序：
| 统一表示 / 视觉 tokenizer | ★★★★★ | 高（需要重建预训练） | 会被 base model 吃掉 |
| 多模态推理（System-2） | ★★★★★ | 中 | 取决于 reward 设计 |
| 流式视频 / 长期记忆 | ★★★★ | 中（需要重新设计预训练目标） | 数据稀疏 |
| 空间智能 | ★★★★★ | 中（数据是关键） | 评测先于方法 |
| 评测 / Critic / 数据引擎 | ★★★★ | 低 | 但影响力天花板高 |
| 全模态实时交互 | ★★★ | 中（工程门槛） | 商业属性强，学术不太发论文 |
| 具身 / 世界模型 | ★★★★★ | 极高（算力 + 真机数据） | VLA 数据稀缺 |
下面展开。
2. 方向一：统一表示 —— \”理解\”和\”生成\”为什么还不该分开
2.1 当前三条路线
2025 年下半年开始，\”统一多模态\”几乎成为所有厂商的共识路线，但实现路径分裂成三条：
路线 A：解耦编码器（Janus-Pro / MetaMorph） 核心观察：理解需要语义抽象（SigLIP 类的全局特征），生成需要像素保真（VQ tokenizer 类的局部 codebook）。让一个编码器同时干两件事会\”任务干扰\”。于是 用两个独立编码器，但共享一个自回归 Transformer。
（图源：Chen et al., Janus-Pro: Unified Multimodal Understanding and Generation with Data and Model Scaling, arXiv:2501.17811, Figure 3）
效果上，Janus-Pro-7B 在 MMBench 上达到 79.2，超过 Janus（69.4）、MetaMorph（75.2）和 TokenFlow（68.9）；GenEval 上达到 0.80，超过 DALL·E 3（0.67）和 SD3-Medium（0.74）。
路线 B：统一扩散（MMaDA / LLaDA-V） 核心观察：自回归是 NTP，离散扩散也是\”预测 mask 位置的 token\”，二者本质是同一个目标的两种特例。用一个统一概率公式把文本和图像都建模为\”被掩码的离散 token 序列\”，再用一个模型 + 一套优化（UniGRPO）端到端训练。
（图源：Yang et
