颠覆传统!Lumina-mGPT 可以从文本中创建逼真且高分辨率的图像
多模态生成模型正引领人工智能新潮流,专注于融合视觉与文本数据,以创造多功能AI系统,执行从图像生成到跨数据类型理解与推理的多种任务。其中,关键挑战是提升自回归(AR)模型能力,使其能根据文本描述生成高细节图像。尽管扩散模型在生成高质量图像方面表现出色,AR模型在图像质量、分辨率灵活性及多任务处理能力上相对滞后。上海AI实验室和香港中文大学的研究人员推出Lumina-mGPT,一种基于解码器-only的变换器架构,采用多模态生成预训练方法,旨在克服AR模型限制,实现与扩散模型同等水平的逼真图像生成,同时保持简便性和可扩展性。Lumina-mGPT采用详尽的灵活渐进的监督微调策略,增强图像生成能力,支持高分辨率图像生成(1024×1024像素),细节丰富且与文本提示高度一致。该模型在图像质量、视觉一致性及多种任务支持方面超越前代模型,仅需较小数据集即可实现卓越性能,预示未来AI系统将更加复杂与多才多艺。