NeurIPS 2024｜字节联合华师提出统一的多模态文字理解与生成大模型

文章预览

↑ 点击 蓝字  关注极市平台 作者丨PaperWeekly 来源丨PaperWeekly 编辑丨极市平台 极市导读   字节跳动与华东师范大学联合提出的TextHarmony模型，这是一个统一的多模态文字理解与生成大模型，它通过创新的Slide-LoRA技术和两阶段训练方法，有效地解决了多模态生成中的模态不一致问题，并在视觉文本感知、理解、生成和编辑方面展现出卓越性能。   >> 加入极市CV技术交流群，走在计算机视觉的最前沿 01 研究背景与挑战 在人工智能领域，赋予机器类人的图像文字感知、理解、编辑和生成能力一直是研究热点。目前，视觉文字领域的大模型研究主要聚焦于单模态生成任务。尽管这些模型在某些任务上实现了统一，但在 OCR 领域的多数任务上仍难以达成全面整合。 例如，Monkey 等视觉语言模型（VLM）擅长文字检测、识别和视觉问答（VQA）等文本模态生成任 ………………………………