2025年Next Token Prediction范式会统一多模态吗？

文章预览

介绍一下最近和来自北大，北航，港大，国科大等学校的同学以及阿里, Microsoft, Humanify等研究机构呕心沥血的综述工作 《Next Token Prediction Towards Multimodal Intelligence: A Comprehensive Survey》 简介 过去一两年时间里，多模态（Multimodal）领域涌现了大量基于Next Token Prediction（NTP）的模型，以下简称为MMNTP，这些模型在多模态理解与生成任务上取得了显著的进展。 以图片模态举例，有以LLaVA, QwenVL为代表的图片理解模型，也有以Unified-IO系列，Chameleon，VAR为代表的基于离散Token的图片生成模型以及融合NTP和Diffusion架构的Transfusion，MAR等模型。 音频部分则有Moshi为代表的基于NTP的音频理解和生成模型。 本文采用全新的自下而上视角，从NTP范式的构建出发，全面探讨了以下几个核心方面： 多模态的Tokenization技术 MMNTP模型架构设计 训练方法与推理策略 性能评测体系 ………………………………