BAAI/Emu3.5-Image
Emu3.5: Native Multimodal Models are World Learners Emu3.5 Team, BAAI Project Page(https://emu.world/pages/web/landingPage) | 🤗HF Models(https://huggingface.co/collections/BAAI/emu35) | Paper(https://arxiv.org/pdf/2510.26583) | App(https://emu.worl...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tháng
#1 Repository Của Tháng
#1 Repository Của Tháng
🖼️ Emu3.5-Image: Mô hình sinh hình ảnh đa phương thức native từ BAAI
Emu3.5-Image tập trung tối ưu cho các nhiệm vụ sinh hình ảnh text-to-image (T2I) và any-to-image (X2I), dựa trên kiến trúc next-token prediction thống nhất.
Emu3.5-Image là một phần của hệ sinh thái Emu3.5 do BAAI phát triển, dùng cho sinh hình ảnh đơn từ văn bản hoặc hình ảnh tham chiếu. Không cần bộ chuyển đổi modal hoặc đầu ra đặc biệt, mô hình xử lý trực tiếp chuỗi hình ảnh-văn bản.
✨ Điểm nổi bật
- Unified World Modeling: Dự đoán trạng thái kế tiếp đa phương thức đồng thời, hỗ trợ mô hình thế giới và sinh học.
- End-to-End Pretraining: Huấn luyện bằng mục tiêu dự báo token tiếp theo thống nhất trên chuỗi đa phương thức xen kẽ.
- Hơn 10T+ Token: Huấn luyện trên hơn 10 nghìn tỷ token từ khung hình video và bản ghi, nắm bắt cấu trúc không gian-thời gian.
- Native Multimodal I/O: Xử lý và sinh chuỗi hình ảnh-văn bản xen kẽ mà không cần adapter modal.
- RL Post-Training: Tăng cường lý luận, khả năng kết hợp và chất lượng sinh học qua học tăng cường quy mô lớn.
- DiDA: Chuyển đổi giải mã tuần tự sang dự báo song hướng, tăng tốc ~20x.
- Versatile Generation: Xuất sắc trong sinh tạo đa phương thức dài, sinh hình ảnh any-to-image và hình ảnh có văn bản.
💡 Vì sao đáng chú ý
Emu3.5-Image khác biệt nhờ kiến trúc native multimodal, không dựa vào adapter hoặc head đặc biệt, giảm độ phức tạp khi triển khai. Phù hợp cho ứng dụng sinh hình ảnh chất lượng cao từ văn bản hoặc hình ảnh tham chiếu, đặc biệt là T2I/X2I. Mô hình hỗ trợ tích hợp với Transformers và vLLM để tăng tốc inference.
#Emu35 #ImageGeneration #MultimodalAI #TiniX
Similar Projects
Discover other similar projects and AI models.
Qwen3-0.6B Qwen3 Highlights Qwen3 is the latest generation of large language models in Qwen series, offering a comprehensive suite of dense and mixture-of-experts (MoE) models. Built upon extensive training, Qwen3 delivers groundbreaking advancement...
Try gpt-oss · Guides · Model card · OpenAI blog Welcome to the gpt-oss series, OpenAI’s open-weight models(https://openai.com/open-models) designed for powerful reasoning, agentic tasks, and versatile developer use cases. We’re releasing two flavors...
Try gpt-oss · Guides · Model card · OpenAI blog Welcome to the gpt-oss series, OpenAI’s open-weight models(https://openai.com/open-models) designed for powerful reasoning, agentic tasks, and versatile developer use cases. We’re releasing two flavors...
all-MiniLM-L6-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Using t...
DeepSeek-R1 Paper Link👁️ 1. Introduction We introduce our first-generation reasoning models, DeepSeek-R1-Zero and DeepSeek-R1. DeepSeek-R1-Zero, a model trained via large-scale reinforcement learning (RL) without supervised fine-tuning (SFT) as a p...
Model Information The Meta Llama 3.1 collection of multilingual large language models (LLMs) is a collection of pretrained and instruction tuned generative models in 8B, 70B and 405B sizes (text in/text out). The Llama 3.1 instruction tuned text onl...
GPT-2 Test the whole generation capabilities here: https://transformer.huggingface.co/doc/gpt2-large Pretrained model on English language using a causal language modeling (CLM) objective. It was introduced in this paper(https://d4mucfpksywv.cloudfro...
Model Details Meta developed and released the Meta Llama 3 family of large language models (LLMs), a collection of pretrained and instruction tuned generative text models in 8 and 70B sizes. The Llama 3 instruction tuned models are optimized for dia...
DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence Technical Report👁️ Introduction We present a preview version of DeepSeek-V4 series, including two strong Mixture-of-Experts (MoE) language models — DeepSeek-V4-Pro with 1.6T p...