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》 作者 : MMNTP Team 编辑 :「深度学习自然语言处理」 公众号 论文 : https://arxiv.org/abs/2412.18619 Github : 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的音频理解和生成模型。 本文采用全新的自下 ………………………………