多模態模型里，CLIP-style encoder往往把視覺表征過早地拉近到文本空間：對于抽象層面的問答，如總結圖片大致內容，這樣的表征其實是沒有什么問題的，但一旦追問與語言無強依賴的細節，模型就更易出現幻覺。根本原因之一，是在文本空間對齊之前，原生視覺結構已被不可逆地壓縮 / 丟失，而語言模型不得不「二次解碼」來自他模態的 embedding，導致對齊脆弱、推理鏈條變長。

為此，北大、UC San Diego 和 BeingBeyond 聯合提出一種新的方法——Being-VL 的視覺 BPE 路線。Being-VL 的出發點是把這一步后置：先在純自監督、無 language condition的設定下，把圖像離散化并「分詞」，再與文本在同一詞表、同一序列中由同一 Transformer 統一建模，從源頭縮短跨模態鏈路并保留視覺結構先驗。

Being-VL 的實現分為三步。首先用 VQ（如 VQ-GAN）把圖像量化為離散VQ tokens；隨后訓練一個視覺版 BPE，不只看共現頻次，還顯式度量空間一致性，以優先合并那些既常見又在不同圖像中相對位置穩定的 token 對，得到更具語義與結構的BPE tokens；最后把視覺 tokens 與文本 tokens 串成同一序列，進入同一個自回歸 LLM 統一建模，不再依賴額外 projector 或 CLIP 對齊。整個 BPE 詞表學習僅依賴圖像統計，不看文本，真正把「語言對齊」留到后續階段。