arXiv cs.CV· Jaeyong Ko, Hankyeol Kim, Pilsung Kang·· 4 小时前AI 评分35
Oddin：统一多模态模型通过图像生成自蒸馏实现潜在视觉推理
Oddin: Latent Visual Reasoning in Unified Multimodal Models via Self-Distillation from Image Generation
AI 导读
Oddin 提出一种在统一多模态模型（ULMMs）中实现潜在视觉推理的框架，用紧凑 latent token 替代中间图像。它让理解分支处理这些 token、生成分支只输出最终图像，并以离线自蒸馏训练。在七个 VBVR-Pro 视觉推理任务上，Oddin 平均超过交错生成基线和闭源 VLM。
来源：arXiv cs.CV · arxiv.org