研究提出了多模态生成模型TextHarmony，通过结合ViT、MLLM和Diffusion Model，解决视觉与语言模态不一致的问题，实现了视觉文本的统一感知、理解和生成。Slide-LoRA技术动态整合模态专家，提升性能。TextHarmony在视觉文本理解、生成和编辑方面表现出色。