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 Survey
Abs: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。