跳到正文
Hugging Face Daily Papers·· 2026-09-30AI 评分74

Multimodal Flow:语言与视觉嵌入空间的统一流建模

Multimodal Flow: Unified Flow Modeling of Language and Vision in Embedding Spaces

AI 导读

论文提出了 Multimodal Flow 模型,采用统一连续架构整合多模态连续表示与共享块因果流骨干网络,通过流匹配学习单一向量场以消除离散量化瓶颈并支持跨模态交互。MF-1 在 150B 预训练令牌下,GenEval/DPG-Bench 平均得分为 82.8,VQAv2/MMBench/POPE 平均得分为 75.3,与大规模数据训练的模型保持竞争力。代码和模型已公开。

来源:Hugging Face Daily Papers · arxiv.org