In den letzten Jahren sind erhebliche Fortschritte bei einheitlichen multimodalen Modellen verzeichnet worden, dennoch bleibt eine grundlegende Frage offen: Beeinflusst Verständnis tatsächlich die Generierung? Um diese Frage zu untersuchen, stellen wir UniSandbox vor – einen entkoppelten Evaluierungsrahmen, der zusammen mit kontrollierten, synthetischen Datensätzen eingesetzt wird, um Datenlecks zu vermeiden und eine detaillierte Analyse zu ermöglichen. Unsere Ergebnisse offenbaren eine erhebliche Kluft zwischen Verständnis und Generierung, die sich vor allem in zwei zentralen Dimensionen widerspiegelt: Schlussfolgerungsgenerierung und Wissensübertragung. Insbesondere bei Aufgaben zur Schlussfolgerungsgenerierung zeigen wir, dass eine explizite Ketten-des-Denkens (Chain-of-Thought, CoT) im Verständnismodul effektiv diese Kluft schließt. Darüber hinaus demonstrieren wir, dass ein Selbsttrainingsansatz erfolgreich diese Fähigkeit internalisieren kann, sodass während der Generierung implizites Schlussfolgern möglich wird. Zudem stellen wir bei Aufgaben zur Wissensübertragung fest, dass CoT den generativen Prozess unterstützt, indem er die Abrufung neu erlernten Wissens erleichtert. Außerdem entdecken wir, dass architektonisch abfragende Ansätze inhärente, CoT-ähnliche Eigenschaften aufweisen, die diese Übertragung beeinflussen. UniSandbox liefert erste Einsichten für die Gestaltung zukünftiger einheitlicher Architekturen und Trainingsstrategien, die die Kluft zwischen Verständnis und Generierung tatsächlich überbrücken. Der Quellcode und die Daten sind unter https://github.com/PKU-YuanGroup/UniSandBox verfügbar.