Suy luận tiềm ẩn trong không gian liên tục cho các mô hình đa phương thức hợp nhất

Các Unified Multimodal Models (UMMs) đạt kết quả ấn tượng trong nhiều nhiệm vụ hiểu và tạo nội dung đa phương thức, nhưng vẫn khó tận dụng hiệu quả suy luận chain-of-thought dựa trên ngôn ngữ để tạo ảnh. Vì vậy, các UMM được tăng cường suy luận hiện thường không kế thừa đầy đủ những ưu điểm này.