人工知能を活用した画像生成と理解の分野では、急速な進歩にもかかわらず、シームレスで統一的な手法の発展を妨げる大きな課題が残されています。現在、画像理解に特化したモデルは高品質な画像生成においてしばしば劣るパフォーマンスを示し、その逆も同様です。このようなタスク分割型のアーキテクチャは複雑性を増すだけでなく、効率性を制限し、理解と生成の両方が必要なタスクの処理を煩雑にしています。さらに、多くの既存モデルは、どちらかの機能を効果的に実行するためにもアーキテクチャの変更や事前学習済みコンポーネントに過度に依存しており、パフォーマンスのトレードオフが生じています。