猫眼电影记者 林梅英 报道w3u7903ejky2ywls

OpenAI 的 GPT-4o 在图像理解、生成和编辑任务上展现了顶级性能。流行的架构猜想是：

Tokens → [Autoregressive 模型] → [Diffusion 模型] → 图像像素

该混合架构将自回归与扩散模型的优势结合。Salesforce Research、马里兰大学、弗吉尼亚理工、纽约大学、华盛顿大学的研究者在最新的研究（统一多模态模型 BLIP3-o）中也采用了自回归 + 扩散框架。

论文标题：BLIP3-o: A Family of Fully Open Unified Multimodal Models—Architecture, Training and Datase论文地址：https://arxiv.org/pdf/2505.09568v1GitHub 代码：https://github.com/JiuhaiChen/BLIP3o模型权重：https://huggingface.co/BLIP3o/BLIP3o-Model在线演示：https://huggingface.co/spaces/BLIP3o/blip-3o预训练：https://huggingface.co/datasets/BLIP3o/BLIP3o-Pretrain-Long-Caption指令微调：https://huggingface.co/datasets/BLIP3o/BLIP3o-60k

在这个框架里，自回归模型先生成连续的中间视觉特征，用以逼近真实图像表示，进而引出两个关键问题：

真实特征来源 (Ground-truth features)：用 VAE 还是 CLIP 将图像编码为连续特征？特征对齐方式：使用 MSE 损失，还是借助扩散模型（Flow Matching）来对齐预测与真实特征？

统一多模态下的图像生成

研究者考察两种图像编码–解码范式：

VAE：将图像编码为 low level 像素特征，以获得更好的重建质量。但 VAE 编码器在处理更高分辨率输入时，会生成更长的向量序列，从而增加训练过程中的计算负担。CLIP + Diffusion：先将图像映射到 high level 语义特征，再通过扩散模型重建真实图像。在实际操作过程中，会先用 CLIP 得到图像特征，然后基于 CLIP feature 训练一个扩散模型来重建图像。该方法好处是无论输入图像分辨率如何，每张图像都可编码为固定长度的连续向量 （比如长度为 64 的向量），这种编码方式能有较好的图像压缩率；但需要额外训练来使扩散模型适配不同的 CLIP 编码器。

针对自回归模型预测的视觉特征与 VAE/CLIP 提供的真实特征，有两类训练目标：

MSE：对预测特征与真实特征计算均方误差Flow Matching：基于自回归模型生成的预测特征，通过流匹配损失训练一个 Diffusion Transformer，用 Diffusion Transformer 的输出值来逼近 CLIP 或 VAE 特征

结合不同的编码–解码架构与训练目标，共有三种设计选择：

CLIP + MSE：最小化预测表征与 CLIP 真实表征之间的 MSE， 比如 Emu2、SeedX。在生成图片的时候，自回归模型生成视觉特征，基于这个视觉特征，使用一个扩散模型来解码图片。CLIP + Flow Matching：以自回归模型预测的视觉特征为条件，使用流匹配损失来训练 Diffusion Transformer，以预测真实的 CLIP 表征。在生成图片的时候，自回归模型生成视觉特征，基于这个视觉特征，Diffusion Transformer 生成一个 CLIP feature，然后再基于这个 CLIP feature，使用一个轻量的扩散模型来解码图片。整个过程涉及两次扩散过程，第一次生成 CLIP feature，第二次生成真实图片。VAE + Flow Matching：以自回归模型预测的视觉特征为条件，使用流匹配损失来训练 Diffusion Transformer，以预测真实的 VAE 表征。在生成图片的时候，自回归模型生成视觉特征，基于这个视觉特征，Diffusion Transformer 生成一个 VAE feature， 由 VAE 解码器来生成真实图片。

Caption: 在统一多模态模型中，图像生成有三种设计方案。所有方案均采用自回归 + 扩散框架，但在图像生成组件上各有不同。对于流匹配损失，保持自回归模型冻结，仅微调图像生成模块 (Diffusion Transformer)，以保留模型的语言能力。

下图对比了这三种方案在相同设置下的表现，证明CLIP + Flow Matching能在提示对齐、图像多样性与视觉质量之间取得最佳平衡。

Caption: 不同方案的对比

研究者发现将图像生成集成到统一模型时，自回归模型对语义级特征（CLIP）的学习比对像素级特征（VAE）的学习更为高效。同时，将流匹配 (Flow Matching)作为训练目标能够更好地捕捉图像分布，从而带来更丰富的样本多样性和更出色的视觉质量。同时有两个阶段的扩散过程，相对于传统的一个阶段的扩散模型，将图像生成分解成了两个阶段，第一阶段自回归模型和 diffusion transformer 只负责生成语义特征，第二阶段再由一个轻量的扩散模型来补全 low-level 特征，从而大幅减轻训练压力。

统一图像理解与生成

通过 CLIP 编码器，图像理解与图像生成共用同一语义空间，实现了两者的统一。

研究者采用顺序训练（late fusion）而非联合训练（early fusion），原因在于：

可以冻结自回归模型，保留其图像理解能力；把全部训练资源集中在图像生成模块，避免多任务间的相互干扰。

caption：联合训练（early fusion）同时更新理解和生成模块，顺序训练 （late fusion）先独立调优「理解」，再冻结骨干只训练「生成」。

BLIP3-o：统一多模态模型

基于上述对比，研究者选定CLIP + Flow Matching与顺序训练 (late fusion)，构建了 4B 和 8B 参数的 BLIP3-o：

预训练数据：25M 开源图文 + 30M 专有图像图像字幕 (caption)：均由 Qwen-2.5-VL-7B-Instruct 生成，平均 120 token；为增强对短提示的适应，还额外混入～10%（6M）的短字幕（20 token）4B 参数开源模型：纯 25M 开源图文对，及～10%（3M）短字幕指令微调：GPT-4o 生成 60K 条高质量示例，显著提升提示对齐和视觉美感

所有代码、模型、数据均陆续开源中，欢迎试用！

Caption: BLIP3-o 可视化示例

研究者发现：

模型能迅速调整至 GPT-4o 风格，提示对齐 (instruction following) 和视觉质量均大幅提升。

caption：图像理解表现

Caption: 图像生成的基准性能与人工评估

结论

本文首次系统地探索了结合自回归与扩散架构的统一多模态建模，评估了三个关键维度：图像表示（CLIP 特征 vs. VAE 特征）、训练目标（流匹配 vs. MSE）和训练策略（early fusion vs. 顺 late fusion）。实验结果表明，将 CLIP 嵌入与流匹配损失相结合，不仅加快了训练速度，也提升了生成质量。

基于这些发现，本文推出了 BLIP3-o, 一系列先进的统一多模态模型，并通过 BLIP3o-60k 6 万条指令微调数据集，大幅改善了提示对齐效果和视觉美感。研究者还正在积极开展该模型的应用研究，包括迭代图像编辑、视觉对话和逐步视觉推理。

  时事1：男男GAY✅免费无遮漫画

  05月31日,13年来首次 土耳其总统到访伊拉克首都巴格达,

　　小石昊跳下大青石，将那柄大锤拎了上来。

,花火裸体被❌涩涩。

  05月31日,新疆阿克苏地区乌什县发生7.1级地震 新疆多地震感强烈,

　　几年来，镇政府坚持以科学发展观为指导，牢固树立发展是第一要务的思想，招商引资取得阶段性成果，骨干企业不断壮大，全镇综合经济实力不断增强，地方生产总值、财政收入、农民人均纯收入均有较大幅度的增长。几年来，镇政府坚持把改善农村生产生活条件和民生工作作为工作中的重中之重，先后完成了一大批基础设施建设和惠民工程，全镇人民群众生活幸福指数得到进一步提高。在注重抓好经济发展的同时，镇政府加强自身班子建设，进一步融洽了干群关系，有力地促进了全镇经济和各项事业的健康发展。

,周于希被摄影师捏奶头,女学生巨大乳免费观看,18🈲视频❌❌❌动漫软件。

  时事2：国产精品极品白嫩在线播放

  05月31日,广深港跨境“灵活行”延长至深圳北,

　　这是小不点观看原始真解，从“战神图录”中悟出的一种身法，金翅大鹏对决神灵，那种轨迹的奥秘以及符文的运转，给他留下了深刻的印象。

,男生无打码勃起照片,97在线无码精品㊙️入口男同,男男GAYGAY✅✅亚洲打桩机。

  05月31日,联合国、欧盟等呼吁尽快就巴以冲突召开国际和会 中方回应,

　　树木茂密，林中很黑，兽吼声此起彼伏，阴气越来越重，可是始终没有什么强大的生物冲过来。

,女人疯狂❌喷水爽动图,吴梦梦裸被 7 4高清网站,梅花十三的隐身部位免费。

  时事3：精品国产乱码久久久久久动漫

  05月31日,和评理 | 夯实中秘政治互信 深化各领域务实合作,

　　所有都在议论，有人相信，也有人冷笑，不怎么信服。

第二百零五章 大开杀戒,拔丝水蜜桃🍑视频,体育生洗澡隐私㊙️免费网站,t66y技术讨论区2024。

  05月31日,四川入境游走热 东南亚客群成主力,

　　这种鱼很罕见，富含灵精，在外界价格很昂贵，而在这个湖泊中却有很多，足够一个村子长期捕食。

,嘘别告诉妈妈mama,3D同人18❌AⅤ,小混混把女警花C到高潮。

  时事4：赵露思张开双腿让人搔

  05月31日,甘肃：力争到2030年全省67%以上可治理沙化土地得到治理,

　　篝火跳动，噼啪作响，这里非常的热闹，族人尽情的庆祝着。

,最牛剑客游戏修改,原神❌18禁漫画网站免费,千仞雪被❌调教奶头游戏。

  05月31日,中新真探：宇宙是真空的？,

　　而让人惊撼的是，这样一头强大的太古遗种，它的一条臂膀却断了，只有一条独臂，眼中凶光毕露，盯着这一边。

,sooo,ty,巧露视频站,在车里被高潮被c了八次。