Oddin: 이미지 생성에서의 자기 증류를 통한 통합형 다중모달 모델의 잠재적 시각 추론
arXiv:2610.33062v1 발표 유형: 신규 초록: 통합 대규모 다중 모달 모델(ULMM)은 텍스트와 이미지를 교차하여 생성함으로써 시각적 추론을 수행할 수 있지만, 명시적인 중간 단계의 이미지를 생성하는 데에는 상당한 계산 부하가 발생합니다. 시각 잠재 공간 추론이 이 문제를 해결하긴 하지만, 기존 대부분의 방법들은 시각 생성이 불가능한 시각-언어 모델(VLM)에 의존하고 있습니다. 우리는 ULMM에서 잠재적 시각 추론을 가능하게 하는 새로운 프레임워크인 Oddin을 제안합니다. Oddin은 중간 단계의 이미지를 간결한 잠재 토큰으로 대체하며, 이 토큰은 전적으로 이해 분기에서 처리되고, 생성 분기는 최종 출력 이미지 생성에만 할당됩니다. 우리는 오프라인 자기 증류 방식을 통해 세 가지 목표로 모델을 학습시키며, 여기에는 최종 이미지 생성 손실, 텍스트 증류 손실, 그리고 크로스 엔트로피 손실이 포함됩니다.