计算机科学 > 计算机视觉与模式识别
[提交于 2025年6月3日
]
标题: HaploOmni:用于多模态视频理解和生成的统一单Transformer
标题: HaploOmni: Unified Single Transformer for Multimodal Video Understanding and Generation
摘要: 随着语言模型的发展,统一的多模态理解和生成取得了显著进展,模型架构从分离的组件演变为统一的单模型框架。 本文探讨了一种高效的训练范式,用于构建用于统一多模态理解和生成的单一Transformer。 具体而言,我们提出了一种利用先验知识的多模态预热策略以扩展能力。 为了解决跨模态兼容性挑战,我们引入了特征预缩放和多模态AdaLN技术。 整合所提出的这些技术,我们提出了HaploOmni,这是一种新的单一多模态Transformer。 在有限的训练成本下,HaploOmni在多个图像和视频理解与生成基准测试中实现了与先进统一模型相当的性能。 所有代码将在 https://github.com/Tencent/HaploVLM 公开。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.