把图像 tokenizer 当作视觉语言来研究：统一多模态模型中的联合建模与下游表现
Studying Image Tokenizers as Visual Languages in Unified Multimodal Models
阅读原文
本站未展示全文，请前往来源网站阅读。
AI 导读
研究构建了一个纯自回归的受控测试平台，在多模态持续预训练中追踪文本、图像、T2I 与 I2T 四类任务的验证损失，以此考察图像 tokenizer 作为"视觉语言"与文本联合建模的效果。
来源：Hugging Face Daily Papers · arxiv.org