跳到正文
arXiv · 机器人与计算机视觉· Jaeyong Ko, Hankyeol Kim, Pilsung Kang·· 23 天前AI 评分53

Oddin:基于图像生成的自蒸馏实现统一多模态模型的潜在视觉推理

Oddin: Latent Visual Reasoning in Unified Multimodal Models via Self-Distillation from Image Generation

AI 导读

arXiv 论文提出 Oddin 框架,旨在解决统一大多模态模型(ULMMs)在交错文本 - 图像生成中进行视觉推理时计算开销大的问题。该方法用紧凑的潜在 token 替代中间图像,完全由理解分支处理,仅保留生成分支用于最终输出图像。

来源:arXiv · 机器人与计算机视觉 · arxiv.org