2025年Next Token Prediction范式会统一多模态吗？

介绍一下最近和来自北大，北航，港大，国科大等学校的同学以及阿里, Microsoft, Humanify等研究机构呕心沥血的综述工作《Next Token Prediction Towards Multimodal Intelligence: A Comprehensive Survey》

作者: MMNTP Team
论文: https://arxiv.org/abs/2412.18619
Github: https://github.com/LMM101/Awesome-Multimodal-Next-Token-Prediction

简介

过去一两年时间里，多模态（Multimodal）领域涌现了大量基于Next Token Prediction（NTP）的模型，以下简称为MMNTP，这些模型在多模态理解与生成任务上取得了显著的进展。以图片模态举例，有以LLaVA, QwenVL为代表的图片理解模型，也有以Unified-IO系列，Chameleon，VAR为代表的基于离散Token的图片生成模型以及融合NTP和Diffusion架构的Transfusion，MAR等模型。音频部分则有Moshi为代表的基于NTP的音频理解和生成模型。

本文采用全新的自下而上视角，从NTP范式的构建出发，全面探讨了以下几个核心方面：

• 多模态的Tokenization技术

• MMNTP模型架构设计

• 训练方法与推理策略

• 性能评测体系

• 现存挑战与未来方向

综述的完整目录如下：