统一多模态模型（UMM）在接受图像生成监督时，会接触到文本中没有被完整记录的视觉信息。那么，通过学习生成图像，能否拓展预训练模型所掌握的知识？
针对这一问题，研究团队提出了 Knowledge Transfer Probing（KTP），这是一套受控的评测协议：通过图像生成训练向模型提供新知识，再通过纯文本问答检验这些知识能否被访问。
在七个知识类别和三个 UMM 上，团队观察到视觉监督向语言的迁移是直接的，但并不均衡。基于这些观察，团队依次引入文本对齐和交错图像-文本对齐，分别通过共享知识和图文交错的回答，把生成与问答连接起来。对部分实体进行引导，可以在没有 QA 监督的情况下，提升模型对其他实体的知识访问，而图文交错对齐能带来进一步的提升。
进一步分析表明，在图像中被正确还原的知识，通过文本往往更容易被访问，但两种访问形式之间仍存在明显 gap。这些发现支持将视觉生成视为文本监督之外的知识来源，并提示需要联合研究训练数据设计与模型架构，使这类知识能被更广泛地访问。