搜索

Multimodal Flow 用共享流匹配目标统一文本和视觉建模（在新窗口打开）

团队将语言和图像分别编码为连续表示，用共享的流匹配目标和分块因果注意力训练 MF-1。在同预算对照中，报告比较了生成质量、视觉理解和混合预训练的迁移效果。