Intern Lumina U2：用于视觉理解与图像生成的多码本扩散语言模型
Intern Lumina U2是一种扩散语言模型，使用多个码本在完全离散的空间中表示视觉令牌。该方法旨在提升视觉表示能力，同时支持与文本进行联合建模。模型基于AToken的统一4D表示，可在单一骨干网络中处理图像、视频和3D输入，并支持视觉理解、图像生成与编辑。作者称，一种考虑稳定性的采样策略可将图像生成速度提升4.45倍；团队还报告了在昇腾和NVIDIA平台上的测试结果。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。