图像生成

A Simple Baseline for Unifying Understanding, Generation, and Editing via Vanilla Next-token Prediction

一种通过 vanilla next-token 预测统一理解、生成和编辑的简单基线

Jie Zhu, Hanghang Ma, Jia Wang, Yayong Guan, Yanbing Zeng, Lishuai Gao, Junqiang Wu, Jie Hu, Leye Wang

机构 * Key Lab of High Confidence Software Technologies (Peking University), Ministry of Education, China（高可信软件技术重点实验室（北京大学），教育部，中国） ； School of Computer Science, Peking University, Beijing, China（北京大学计算机学院，北京，中国） ； School of Computer Science and Technology, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学计算机科学与技术学院，北京，中国） 纠错

专题命中 其他图像生成 ：image generation(abstract)；分类 cs.CV

AI总结 本文提出 Wallaroo，一种通过 vanilla next-token 预测统一多模态理解、生成和编辑的简单基线模型，展示了其在多任务中的竞争力。

Comments Technical report. This work serves as a straightforward autoregressive baseline for unifying understanding, generation, and editing