2025年Next Token Prediction范式会统一多模态吗?

作者:Chenllliang
原文:https://zhuanlan.zhihu.com/p/17728210584

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》

Paper: Next Token Prediction Towards Multimodal Intelligence: A Comprehensive SurveyAbs:https://arxiv.org/abs/2412.18619Github:https://github.com/LMM101/Awesome-Multimodal-Next-Token-Prediction

图片

 

简介

图片

 

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。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值