Apple Machine Learning Research は、言語モデルと正規化フローを結びつける統合マルチモーダル生成へのアプローチである STARFlow2 に関する資料を発表した。
その記述によれば、テキストと画像が交互に並ぶシーケンスを対象とする既存のシステムは、さまざまな制限に直面している。離散トークン化により視覚的な精度が低下する可能性があり、テキストの自己回帰的生成と反復的な拡散ノイズ除去を組み合わせることで構造的な非対称性が生じ、また生成のために視覚言語モデルを適応させると、元の理解能力が損なわれる恐れがあるという。
STARFlow2 の実用的意義とその比較結果は、入手可能な資料からは不明確である。当該情報源には実験の詳細や品質評価が含まれておらず、要約のみが存在する。
編集部コメント
なぜ重要か
本研究のおそらく重要な価値は、単一のアーキテクチャ内でマルチモーダルコンテンツの理解とその生成との間の隔たりを縮小しようとする試みにある。次に観測すべき信号は、研究の全文、技術的な詳細、および比較結果である。 существенная неопределённость（重大な不確実性）が残っている：現在の情報源は、具体的なテストにおける STARFlow2 の優位性を確認していない。