Marktkapitalisierung: $2.184T 0.31%
Volumen (24h): $69.2158B -38.77%
  • Marktkapitalisierung: $2.184T 0.31%
  • Volumen (24h): $69.2158B -38.77%
  • Angst- und Gier-Index:
  • Marktkapitalisierung: $2.184T 0.31%
Kryptos
Themen
Cryptospedia
Nachricht
Cryptostopics
Videos
Top -Nachrichten
Kryptos
Themen
Cryptospedia
Nachricht
Cryptostopics
Videos
bitcoin
bitcoin

$64909.368160 USD

1.63%

ethereum
ethereum

$1819.307106 USD

2.42%

tether
tether

$0.999085 USD

-0.03%

bnb
bnb

$592.601020 USD

1.07%

usd-coin
usd-coin

$0.999847 USD

0.01%

xrp
xrp

$0.957814 USD

1.10%

solana
solana

$71.187802 USD

2.01%

tron
tron

$0.302772 USD

-1.15%

hyperliquid
hyperliquid

$66.461246 USD

2.40%

zcash
zcash

$896.786756 USD

0.40%

dogecoin
dogecoin

$0.058826 USD

2.33%

monero
monero

$488.910717 USD

0.57%

unus-sed-leo
unus-sed-leo

$9.176888 USD

0.60%

chainlink
chainlink

$9.149774 USD

1.32%

cardano
cardano

$0.153392 USD

2.45%

Nachrichtenartikel zu Kryptowährungen

UNITOK: Ein einheitlicher diskreter visueller Tokenizer für die visuelle Erzeugung und das Verständnis

Mar 02, 2025 at 05:03 am

Mit Forschern, die die visuelle Generation und das Verständnis in einen einzelnen Framework vereinen möchten, entwickelt sich multimodale künstliche Intelligenz rasch weiter.

UNITOK: Ein einheitlicher diskreter visueller Tokenizer für die visuelle Erzeugung und das Verständnis

Researchers are working tirelessly to unify visual generation and understanding into a single, efficient framework. However, this goal remains elusive due to the distinct requirements of these two domains. Generative models prioritize the reconstruction of fine-grained image details, while understanding models focus on aligning visual features with textual representations at a high-level semantic granularity.

Forscher arbeiten unermüdlich daran, die visuelle Generation und das Verständnis zu einem einzigen, effizienten Rahmen zu vereinen. Dieses Ziel bleibt jedoch aufgrund der unterschiedlichen Anforderungen dieser beiden Bereiche schwer fassbar. Generative Modelle priorisieren die Rekonstruktion feinkörniger Bilddetails, während das Verständnis der Modelle sich darauf konzentrieren, visuelle Merkmale mit textuellen Darstellungen in einer semantischen Granularität auf hoher Ebene auszurichten.

The challenge lies in integrating both capabilities without compromising performance. As autoregressive modeling gains traction in visual tasks, the demand for a unified tokenizer that seamlessly bridges these objectives is growing. However, current approaches often specialize in either image generation or understanding. Generative models like VQVAE encode image details efficiently but struggle to align visual features with textual representations. Conversely, models like CLIP excel at semantic alignment but lack the fine-grained detail needed for high-quality image reconstruction.

Die Herausforderung besteht darin, beide Funktionen zu integrieren, ohne die Leistung zu beeinträchtigen. Wenn autoregressive Modellierung bei visuellen Aufgaben eine Traktion gewinnt, wächst die Nachfrage nach einem einheitlichen Tokenizer, der diese Ziele nahtlos überbrückt. Aktuelle Ansätze sind jedoch häufig entweder auf Bildgenerierung oder -verständnis spezialisiert. Generative Modelle wie VQVAE codieren Bilddetails effizient, haben jedoch Schwierigkeiten, visuelle Merkmale mit textuellen Darstellungen auszurichten. Umgekehrt fehlt Modelle wie Clip Excel bei semantischer Ausrichtung, aber es fehlen das feinkörnige Detail, das für eine hochwertige Bildrekonstruktion erforderlich ist.

This misalignment creates inefficiencies and makes it difficult to develop multimodal models that can generate and interpret images equally proficiently. Researchers have been exploring ways to resolve these conflicts, but existing solutions often involve increasing model complexity without fundamentally addressing the tokenization gap.

Diese Fehlausrichtung schafft Ineffizienzen und macht es schwierig, multimodale Modelle zu entwickeln, die Bilder gleichmäßig kompetent erzeugen und interpretieren können. Die Forscher haben Möglichkeiten untersucht, diese Konflikte zu lösen, aber bestehende Lösungen beinhalten häufig die zunehmende Modellkomplexität, ohne die Tokenisierungslücke grundlegend zu beheben.

Current methods attempt to bridge this gap by integrating separate tokenization strategies for different tasks. Some models incorporate contrastive learning into generative tokenizers to enhance semantic consistency. However, these techniques introduce training conflicts that degrade model performance. Many solutions rely on large codebooks to increase token representation capacity, but excessive codebook expansion leads to underutilization and inefficiencies.

Aktuelle Methoden versuchen, diese Lücke zu schließen, indem separate Tokenisierungsstrategien für verschiedene Aufgaben integriert werden. Einige Modelle beinhalten kontrastives Lernen in generative Tokenisierer, um die semantische Konsistenz zu verbessern. Diese Techniken führen jedoch Trainingskonflikte ein, die die Modellleistung beeinträchtigen. Viele Lösungen stützen sich auf große Codebücher, um die Kapazität der Token -Repräsentation zu erhöhen, aber eine übermäßige Codebuch -Erweiterung führt zu einer Unterbrechung und Ineffizienzen.

To address these issues, a research team from The University of Hong Kong, ByteDance Inc., and Huazhong University of Science and Technology introduced UniTok, a discrete visual tokenizer designed to unify visual generation and understanding. Their method expands token representation without causing optimization instability through multi-codebook quantization, which structures vector quantization into independent sub-codebooks, enabling better representation of visual features across tasks.

Um diese Themen anzugehen, führte ein Forschungsteam der Universität von Hongkong, Bytedance Inc. und die Huazhong University of Science and Technology Unitok ein diskreter visueller Tokenizer ein, das die visuelle Generation und das Verständnis für die visuelle Generierung und das Verständnis vereint. Ihre Methode erweitert die Token-Repräsentation, ohne die Instabilität der Optimierung durch Multi-CodeBook-Quantisierung zu verursachen, die die Quantisierung der Vektor in unabhängige Subcodeebooks strukturiert und eine bessere Darstellung der visuellen Merkmale über die Aufgaben hinweg ermöglicht.

By addressing the fundamental bottleneck of limited discrete token capacity, UniTok achieves superior image reconstruction and semantic alignment performance. The UniTok model employs a unified training paradigm integrating reconstruction and contrastive learning objectives. The core innovation lies in multi-codebook quantization, where visual tokens are divided into multiple independent sub-codebooks instead of a single large one. This increases the representation space while maintaining computational efficiency.

Durch die Bekämpfung des grundlegenden Engpasses der begrenzten diskreten Token -Kapazität erzielt Unitok über eine überlegene Bildrekonstruktion und semantische Ausrichtungsleistung. Das Unitok -Modell verwendet ein einheitliches Schulungsparadigma, das die Rekonstruktion und kontrastive Lernziele integriert. Die Kerninnovation liegt in der Quantisierung von Multi-CodeBook-Quantisierung, bei der visuelle Token in mehrere unabhängige Subcodeebooks anstelle eines einzelnen großen unterteilt sind. Dies erhöht den Repräsentationsraum und hält die Recheneffizienz bei.

UniTok also incorporates attention-based factorization, which enhances token expressiveness by preserving semantic information during compression. Unlike conventional vector quantization, this approach prevents loss conflicts and improves token utilization, ensuring visual features are accurately encoded for generative and discriminative tasks.

Unitok beinhaltet auch eine aufmerksamkeitsbasierte Faktorisierung, die die Ausdruckskraft der Token durch die Erhaltung semantischer Informationen während der Komprimierung verbessert. Im Gegensatz zur herkömmlichen Vektorquantisierung verhindert dieser Ansatz Verlustkonflikte und verbessert die Token -Nutzung, um sicherzustellen, dass die visuellen Merkmale für generative und diskriminative Aufgaben genau kodiert werden.

The researchers trained UniTok on DataComp-1B, a dataset containing 1.28 billion image-text pairs, with images resized to a resolution of 256×256. The tokenizer was tested under two conditions: with pretrained CLIP weight initialization and without it. The model’s ability to achieve high zero-shot accuracy in both cases demonstrates the effectiveness of its unified design.

Die Forscher trainierten Unitok auf DataComp-1b, einem Datensatz mit 1,28 Milliarden Bild-Text-Paaren, wobei die Bilder zu einer Auflösung von 256 × 256 gegründet wurden. Der Tokenizer wurde unter zwei Bedingungen getestet: mit vorbereiteter Initialisierung des Clipgewichts und ohne ihn. Die Fähigkeit des Modells, in beiden Fällen eine hohe Genauigkeit von Null-Shot-Genauigkeit zu erreichen, zeigt die Wirksamkeit seines einheitlichen Designs.

Experimental evaluations on standard benchmarks confirm UniTok’s superiority over existing tokenizers. On ImageNet, UniTok achieves an rFID of 0.38 compared to 0.87 for SD-VAE, indicating a significant improvement in reconstruction quality. Further, it records a zero-shot classification accuracy of 78.6%, outperforming CLIP’s 76.2%.

Experimentelle Bewertungen zu Standard -Benchmarks bestätigen die Überlegenheit von Unitok gegenüber vorhandenen Tokenisierern. Auf ImageNet erreicht Unitok eine RFID von 0,38 im Vergleich zu 0,87 für SD-VAE, was auf eine signifikante Verbesserung der Rekonstruktionsqualität hinweist. Darüber hinaus zeichnet es eine Null-Shot-Klassifizierungsgenauigkeit von 78,6%auf und übertrifft Clips 76,2%.

The model also excels in visual question-answering benchmarks, surpassing VILA-U in accuracy by 3.3% on TextVQA and demonstrating a significant improvement of 112 points on the MME-Perception scores. These results highlight UniTok’s ability to handle image generation and understanding effectively.

Das Modell zeichnet sich auch in visuellen Fragen zur Beantwortung von Benchmarks aus und übertrifft die VILA-U in der Genauigkeit um 3,3% für TextVQA und zeigt eine signifikante Verbesserung von 112 Punkten auf den MME-Perception-Scores. Diese Ergebnisse zeigen die Fähigkeit von Unitok, die Bildung und das Verständnis der Bildung und des Verständnisses zu bewältigen.

When tested on multimodal large language models, UniTok outperforms traditional VQVAE tokenizers and significantly reduces the gap between discrete and continuous tokenization approaches. The success of UniTok suggests that enhancing discrete token representation through multi-codebook quantization is a viable solution for unifying multimodal learning frameworks.

Wenn Unitok an multimodalen Großsprachenmodellen getestet wird, übertrifft er herkömmliche VQVAE -Tokenisierer und verringert die Lücke zwischen diskreten und kontinuierlichen Tokenisierungsansätzen signifikant. Der Erfolg von Unitok legt nahe, dass die Verbesserung der diskreten Token-Darstellung durch Multi-Codenbuch-Quantisierung eine praktikable Lösung für die Vereinheitlichung multimodaler Lernrahmen ist.

UniTok marks a major advancement in the integration of visual generation and understanding. By resolving tokenization bottlenecks through multi-codebook quantization, researchers can achieve more effective multimodal learning. The research demonstrates that when optimized correctly, discrete tokenization can rival or even surpass continuous tokenization methods. This innovation lays the foundation for future improvements in multimodal AI, offering a scalable solution for large vision-language models.

Unitok ist ein großer Fortschritt bei der Integration der visuellen Generation und des Verständnisses. Durch die Auflösung von Tokenisierung Engpässen durch Quantisierung von Multi-CodeBook-Quantisierung können Forscher ein effektiveres multimodales Lernen erreichen. Die Forschung zeigt, dass diskrete Tokenisierung bei korrekter Optimierung kontinuierliche Tokenisierungsmethoden mithalten oder sogar übertreffen kann. Diese Innovation bildet die Grundlage für zukünftige Verbesserungen der multimodalen KI und bietet eine skalierbare Lösung für große Sehvermögensmodelle.

The strong experimental results validate UniTok as a promising approach for achieving seamless integration between visual generation and understanding, paving the way for more advanced multimodal models in the future.

Die starken experimentellen Ergebnisse bestätigen Unitok als vielversprechenden Ansatz, um eine nahtlose Integration zwischen visueller Generierung und Verständnis zu erreichen und in Zukunft den Weg für fortschrittlichere multimodale Modelle zu ebnen.

Originalquelle:marktechpost

Haftungsausschluss:info@kdj.com

Die bereitgestellten Informationen stellen keine Handelsberatung dar. kdj.com übernimmt keine Verantwortung für Investitionen, die auf der Grundlage der in diesem Artikel bereitgestellten Informationen getätigt werden. Kryptowährungen sind sehr volatil und es wird dringend empfohlen, nach gründlicher Recherche mit Vorsicht zu investieren!

Wenn Sie glauben, dass der auf dieser Website verwendete Inhalt Ihr Urheberrecht verletzt, kontaktieren Sie uns bitte umgehend (info@kdj.com) und wir werden ihn umgehend löschen.

Weitere Artikel veröffentlicht am Nov 16, 2026