用于多模态理解与生成的解耦视觉—语言系统

英文标题：Decoupled Vision-Language System for Multimodal Understanding and Generation

论文提出了一种名为 Libra 的多模态大语言模型（MLLM）架构，可同时支持多模态理解与生成。该架构由一个视觉系统和一个语言系统组成，并通过跨模态桥接机制连接。该设计旨在将视觉与语言能力解耦，为开发者构建兼具理解和生成能力的多模态 Agent 与应用提供新的架构思路。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB