📖 摘要

研究图像分词器作为统一多模态模型视觉语言的行为与学习特性。

🔑 关键词速览

图像分词器 (Image Tokenizer)	将图像转换为离散视觉标记的模型，类似于文本分词器处理文本的方式。
统一多模态模型 (Unified Multimodal Models)	能够同时处理文本和图像等多种模态的模型，通常通过共享的架构进行联合建模。
纯自回归测试平台 (Pure-Autoregressive Testbed)	一种仅使用自回归机制（逐标记预测）的评估环境，用于控制变量并研究模型行为。
多模态持续预训练 (Multimodal Continual Pretraining)	在预训练阶段持续更新模型，以同时学习多种模态的任务，如文本生成和图像生成。
T2I和I2T损失 (T2I and I2T Losses)	分别指文本到图像生成和图像到文本生成的预测损失，用于衡量模型在这些任务上的表现。