Oddin提出统一多模态模型潜空间视觉推理框架

Jaeyong Ko、Hankyeol Kim 与 Pilsung Kang 提出 Oddin 框架，让统一大语言多模态模型（ULMMs）在潜空间完成视觉推理：用紧凑的 latent token 替代中间图像，全部交由理解分支处理，生成分支只负责输出最终图像。 该模型通过离线自蒸馏训练，训练目标包括最终图像生成损失、文本蒸馏损失和特殊 token 的交叉熵损失三项。作者称，在七个 VBVR-Pro 视觉推理任务上，Oddin 的平均表现超过交错生成基线和闭源 VLM。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。