Transfusion：一种可生成文本和图像的统一多模态模型

传统的多模态生成模型通常需要分别针对文本和图像等不同模态设计专门的处理方法或模型。例如，文本使用语言模型，而图像则使用扩散模型或其他生成模型。这种方法导致需要多个独立的模型，难以在同一个框架内高效处理和生成多种类型的数据。

Meta 和 南加州大学 的研究人员开发出一种Transfusion模型， 通过一个统一的模型同时处理文本和图像，解决了这个问题。