FLAT：将图像与文本重采样为一维、可变长度且对齐的跨模态 Token，用于检索与生成

英文标题：FLAT: Resampling Image and Text into 1D Flexible-Length Aligned Transmodal Tokens for Retrieval and Generation

论文提出 FLAT，旨在将图像和文本重采样为一维、长度可变且相互对齐的跨模态 Token，以服务检索与生成任务。摘要指出，传统多模态表示学习与生成通常分为两个阶段：先训练对比学习或自监督视觉编码器，再训练独立的下游生成模型。这种分离式流程会使生成能力受前一阶段表征能力的限制；不过，所提供的原始摘要在该处截断，未包含具体方法、实验数据与完整结论。对开发者和行业而言，该研究关注如何以统一的跨模态 Token 表示连接检索与生成系统。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB