Wir stellen EMMA vor, eine effiziente und einheitliche Architektur für multimodales Verständnis, die Generierung und Bearbeitung. Konkret besteht EMMA aus vier zentralen Komponenten: 1) Einem effizienten Autoencoder mit einem Kompressionsverhältnis von 32:1, der die Anzahl der benötigten Tokens für die Generierung erheblich reduziert. Dies gewährleistet zudem eine ausgewogene Trainingsdynamik zwischen Verständnis- und Generierungsaufgaben, da das gleiche Kompressionsverhältnis auch auf Bilder angewendet wird. 2) Eine kanalweise Verkettung anstelle der herkömmlichen token-weisen Verkettung zwischen visuellen Verständnis- und Generierungstokens, was die Anzahl der visuellen Tokens in einheitlichen Architekturen weiter verringert. 3) Einem geteilten-und-dekupelten Netzwerk, das eine gegenseitige Verbesserung zwischen Aufgaben ermöglicht, während gleichzeitig spezifische Modellierungsanforderungen jeder Aufgabe erfüllt werden. 4) Einem Mixture-of-Experts-Mechanismus, der im visuellen Verständnis-Encoder eingesetzt wird und die Wahrnehmungsfähigkeiten erheblich verbessert, ohne dabei signifikant mehr Parameter hinzuzufügen. Umfangreiche Experimente zeigen, dass EMMA-4B sowohl hinsichtlich Effizienz als auch Leistung deutlich über aktuelle State-of-the-Art-Ansätze für einheitliche multimodale Architekturen (z. B. BAGEL-7B) hinausgeht und gleichzeitig konkurrenzfähige Ergebnisse erzielt im Vergleich zu jüngsten Spezialisten für multimodales Verständnis und Generierung (z. B. Qwen3-VL und Qwen-Image). Wir sind überzeugt, dass EMMA eine solide Grundlage für die zukünftige Entwicklung einheitlicher multimodaler Architekturen bildet.