2025年Next Token Prediction范式会统一多模态吗？

文章预览

本文将介绍最近和来自北大，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》。 论文标题：  Next Token Prediction Towards Multimodal Intelligence: A Comprehensive Survey 论文链接： https://arxiv.org/abs/2412.18619 Github链接： https://github.com/LMM101/Awesome-Multimodal-Next-Token-Prediction 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 ………………………………