影像模型往往要在語意理解與畫面細節之間取捨，UniSpace 以統一視覺表示同時處理理解、生成和指令式編輯，定位是多模態模型及推理評估項目。它由 patch-reparameterized vision encoders 和 Qwen3-8B Mixture-of-Transformers 組成，前者保留預訓練模型的語意能力，再補足重建與生成所需的細節。
三款 encoder 分別是 PR-SigLIP2、PR-DINOv2 和 PR-Qwen-ViT；UniSpace 則使用配備 Qwen-based patch-reparameterized tokenizer 的視覺空間。這種分工讓同一套表示可以連接理解、文字生成影像及影像編輯，但也代表模型效果取決於 encoder、tokenizer 和多模態 backbone 能否協調工作。
ImageNet-1K 256 × 256 重建測試使用 50,000 張驗證影像，PR-DINOv2 取得最高 PSNR 30.84、SSIM 0.90 和最低 rFID 0.14。生成測試同樣使用 50,000 個樣本；PR-DINOv2 配合 Classifier-Free Guidance (CFG) 後，gFID 為 1.877、IS 為 274.16，但 Recall 由 0.637 降至 0.605，反映畫面品質與覆蓋範圍之間仍有取捨。
目前最需要留意的是可重現性，而不是安裝難度。儲存庫屬於 paper-time landing release，首個程式版本只會提供 inference 和 evaluation，訓練程式及內部數據管線不公開；在預期檔案和 checkpoints 尚未完整發布前，fresh clone 不能直接執行命令。研究團隊、模型評測人員和需要比較視覺 encoder 的開發者可先參考固定 seed、採樣步數及評測規則，待穩定版本發布後再驗證結果。
- 能力範圍： 統一支援影像理解、生成與 instruction-based editing。
- 模型關係： PR-SigLIP2、PR-DINOv2、PR-Qwen-ViT 提供視覺表示，Qwen3-8B Mixture-of-Transformers 負責多模態處理。
- 評測結果： PR-DINOv2 重建 rFID 0.14，UniSpace GenEval 整體分數 0.84，DPG-Bench 為 86.49。
- 限制： 目前欠缺可由 fresh clone 直接執行的完整程式、訓練流程及內部數據管線。