最近多模态生成领域也在「神仙打架」，比如Meta的全新训练方法Transfusion，用单个模型就能同时生成文本和图像！
还有之前华为、清华提出的个性化多模态内容生成技术PMG，生成的内容可「量身定制」，更能满足偏好。
这些效果炸裂的新成果证明了 多模态生成一直是研究热门 ，更实际点的证明还有：
因此多模态生成依旧是我们非常好的选择，想抓紧投中顶会给自己加码的同学可以考虑。这里为了帮助各位快速了解这个方向目前的最新动态，我整理好了 10篇 多模态生成今年最新的论文 给各位作参考，代码基本都有。
论文原文+开源代码需要的同学关注「学姐带你玩AI」公众号，那边回复「多模态生成」获取。
Transfusion: Predict the Next Token and Diffuse Images with One Multi-Modal Model
方法： 论文一个多模态模型训练的配方Transfusion，可以处理离散数据（如文本或代码）和连续数据（例如图像、音频和视频数据）。Transfusion结合了语言建模损失函数（下一个词预测）和扩散模型，通过单一的transformer来训练混合模态序列，使其能够无缝地生成离散和连续的模态，例如同时生成文本和图像。
创新点：
PMG: Personalized Multimodal Generation with Large Language Models
方法： 论文提出了一种基于大语言模型（LLMs）的个性化多模态生成方法（PMG），首先将用户行为转化为自然语言，以便LLM能够理解并提取用户的偏好。然后，将用户偏好输入生成器（如多模态LLM或扩散模型）以生成个性化内容。
创新点：
ANOLE: An Open, Autoregressive, Native Large Multimodal Models for Interleaved Image-Text Generation
方法： ANOLE是一个开源的多模态模型，专注于交错图像-文本生成。它基于Meta AI的Chameleon模型，通过高效微调少量参数来增强图像和多模态生成能力，而无需依赖扩散模型。
创新点：
Generative Multimodal Models are In-Context Learners
方法： 论文介绍了一个名为 Emu2 的大型多模态生成模型，它通过大规模多模态序列的训练，具备了强大的多模态上下文学习能力。Emu2 能够处理包括文本、图像-文本对和交错的图像-文本-视频等在内的多种数据类型，并且在少量样本或简单指令的情况下解决多模态任务。
创新点：
论文原文+开源代码需要的同学关注「学姐带你玩AI」公众号，那边回复「多模态生成」获取。
