Multimodal Flow: Mô hình hóa dòng chảy thống nhất của ngôn ngữ và tầm nhìn trong không gian nhúng

Đoạn trích bài viết

Chúng tôi giới thiệu Multimodal Flow, một mô hình tạo ra ngôn ngữ và tầm nhìn hoàn toàn liên tục. Hầu hết các mô hình đa phương pháp thống nhất hoặc mô hình cả ngôn ngữ và hình ảnh định lượng như các token riêng biệt hoặc kết hợp dự đoán ngôn ngữ riêng biệt với việc tạo hình ảnh liên tục.