**ARM：统一离散表示的自回归大型多模态模型**

_ARM: An AutoRegressive Large Multimodal Model with Unified Discrete Representations_

> ARM 是一种基于离散表示的自回归模型，统一了图像理解、生成和编辑任务。它通过多目标训练的离散语义视觉分词器将图像映射为紧凑标记序列，然后在大规模文本-图像数据上训练 7B 模型。进一步利用强化学习优化文本到图像生成和指令引导编辑的偏好一致性，显著提升任务表现（如 WISE 综合分数从 0.50 升至 0.56），并观察到跨任务协同效应。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-10 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.11188)