- 产品派

alpha秋 · 2026-08-14T04:17:57.394Z

Meta 和牛津大学的一项研究挺有意思：多模态模型如果把语言训练和视觉理解同步推进，图像生成数据占比不必很高。在 1T token 实验里，70% 语言、25% 图像理解、5% 图像生成的组合表现最好；到 13.5B、2T token 规模时，图像生成 token 减少 5 倍，GenEval 反而从 0.467 到 0.482。研究还提到，视觉能力引入太晚可能会让模型形成“视觉惰性”，更依赖语言捷径。

产品派

登录

产品派

模式切换

跟随系统明亮模式深色模式

产品派

登录

琼ICP备2022006744号-8 琼公网安备46020002000453号

关于我们

请输入搜索内容

发布产品发起讨论免费

alpha秋

1个月前

讨论话题

发现产品榜单精选讨论