Oddin：统一多模态模型的潜在视觉推理框架

研究者提出 Oddin 框架，让统一大规模多模态模型（ULMMs）以紧凑潜在 token 替代中间图像完成潜在视觉推理：潜在 token 全部由理解分支处理，生成分支只负责输出最终图像。训练采用离线自蒸馏，含三个目标。 论文称，Oddin 在七个 VBVR-Pro 视觉推理任务上的平均成绩超过交错生成基线和闭源视觉语言模型。

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。