研究人员开发了 LaViDa,这是一系列基于离散扩散的多模态模型,与自回归模型相比,它提供了更快的推理速度和更好的可控性。LaViDa 在 MMMU 等基准测试中取得了有竞争力的性能,并在需要双向推理的任务中表现出色。在此基础上,Lavida-O 被引入为一个统一的理解和生成框架,能够处理从对象定位到高分辨率文本到图像合成的各种任务,并取得了最先进的结果。进一步的优化产生了 Sparse-LaViDa,它通过动态截断不必要的 token 来加速扩散模型的采样,同时保持生成质量。 AI
影响 这些基于扩散的多模态模型为更快的推理和更可控的生成提供了潜力,影响了图像理解、编辑和合成等领域的应用。
排序理由 该集群包含三篇 arXiv 论文,介绍了新颖的多模态人工智能模型和技术。
- alphaXiv
- arXiv
- DagsHub
- Hugging Face
- Lavida-O
- Masked Diffusion Model
- Masked Discrete Diffusion Models
- Shufan Li
- Sparse-LaViDa
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →