周大 发表于 2025-4-15 15:11:59

视觉自回归生成理解编辑大一统！北大团队多模态新突破，训练数据代码全面开源

北京大学团队发布VARGPT-v1.1，通过四大创新点提升视觉理解与生成能力。该模型采用830万条视觉生成指令数据，结合Qwen2-7B主干，实现高质量图像生成（512×512像素）。实验表明，VARGPT-v1.1在多个基准测试中表现优异，但仍需进一步优化以缩小与商用模型差距。
来源：https://mp.weixin.qq.com/s/96yyriyCmwnrGk4_M9_ZUg
页: [1]
查看完整版本: 视觉自回归生成理解编辑大一统！北大团队多模态新突破，训练数据代码全面开源