华中科技大学、字节跳动和香港大学联合团队研发了一种名为liquid的极简统一多模态生成框架，该框架无需复杂的外部视觉模块，即可实现图像生成和理解。liquid巧妙地利用vqgan将图像编码为离散视觉token，并将其与文本token整合到同一词表空间，从而使现有的大型语言模型(llm)能够直接处理视觉信息，无需任何结构修改。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
这项研究颠覆了传统多模态大模型(MLLM)依赖外部视觉模块(如CLIP或扩散模型)的范式，解决了系统臃肿和扩展受限的问题。研究团队首次证明了统一表征下的多模态能力遵循LLM的尺度定律，并且视觉生成和理解任务可以双向互促，为通用多模态智能的架构设计提供了新的方向。
- 论文标题：Liquid: Language Models are Scalable and Unified Multi-modal Generators
- 论文链接：https://www.php.cn/link/99e71865a8531658d3eb31c17119b66e
- 主页链接：https://www.php.cn/link/36fb74b3b004c91fedcde80d8feb48c0
Liquid的核心优势：
Liquid在训练成本方面显著优于现有方法，例如，相比于从头训练的Chameleon，Liquid节省了100倍的训练成本，同时实现了更强的多模态能力。其关键创新在于：
- 极简架构: 摒弃了复杂的外部视觉模块，直接将图像信息融入LLM的词表空间。
- 规模化优势: 研究发现，随着LLM规模的扩大，多模态训练对语言能力的负面影响逐渐减弱，甚至可以实现“零冲突共生”。
- 双向互促: 视觉理解和生成任务通过共享表征空间，实现双向促进，提升整体性能。
Liquid采用VQGAN作为图像分词器，将图像转换为离散的视觉token，并将其与文本token混合输入LLM进行训练。该框架保留了LLM原有的“下一token预测”训练目标，无需修改LLM的结构。
研究团队通过对不同规模LLM的实验，验证了Liquid的尺度规律统一性、规模化解耦效应和跨任务互惠性，并取得了显著的性能提升，在图像生成和视觉理解任务上都达到了领先水平。
Liquid的出现为多模态大模型的发展提供了新的思路，其极简的架构和优异的性能，预示着未来多模态人工智能技术将朝着更轻量化、更高效的方向发展。
