【论文解读】FullFlow：用参数高效方法将文生图 Flow 模型升级为双向视觉-语言生成器

论文：FullFlow: Upgrading Text-to-Image Flow Matching Models for Bidirectional Vision–Language Generation
作者：Eric Tillmann Bill, Enis Simsar, Alessio Tonioni, Thomas Hofmann（ETH Zurich & Google）
arXiv：2605.20316 |项目主页：https://ericbill21.github.io/fullflow/

一、背景与动机

现代文生图（Text-to-Image）扩散/流模型，如Stable Diffusion 3（SD3）和FLUX.1，已在高保真图像合成任务上取得了令人瞩目的成果。这些模型通过大规模预训练，在连续潜在空间中习得了极为丰富的视觉语义先验。

然而，这些模型存在一个根本性的局限：它们只能单向工作——文本进、图像出。要让一个预训练的文生图模型同时支持"图生文"（image captioning）或视觉问答（VQA），通常有两种思路：

1. 大规模联合预