标签
IntReal 提出了 IntReal-100K——一个真实世界的多模态交错数据集，以及一套七维度评估体系，用于诊断统一多模态模型的性能，表明针对特定模态的训练可以提升交错文本-图像生成能力。
论文提出 MT Forcing，通过单轮分布匹配蒸馏与教师强制引导，提升基于自回归扩散的统一多模态模型在多轮图像编辑中的视觉质量稳定性与跨轮内容一致性。
HYDRA-X 提出了一种统一的多模态模型，将图像和视频分词集成到单个视觉变换器中，在理解和生成任务上均取得了强劲性能。
本文介绍了UniKE，这是首个针对统一多模态模型（UMMs）的跨模态知识编辑基准测试，揭示了显著的模态差距：文本编辑实现了92%的效果，但仅有18.5%迁移到图像生成。它提出了Reasoning-augmented Parameter Editing，以改善跨模态迁移，提升幅度高达18.6个百分点。
LatentUMM 引入了双重潜在对齐，通过对齐转换和稳定潜在动态，来改善统一多模态模型中的跨模态一致性。
UniPath 提出了一种框架，用于统一多模态模型中理解与生成的适应性协调，利用协调路径多样性来提升相对于固定策略的性能。