**Multimodal Flow:统一语言与视觉的连续流生成模型**

_Multimodal Flow: Unified Flow Modeling of Language and Vision in Embedding Spaces_

> HuggingFace 社区热门论文提出 Multimodal Flow,一种完全连续的多模态生成模型。该模型通过共享的块因果流骨干网络,在嵌入空间中统一处理文本和图像,避免了传统离散化带来的视觉量化瓶颈及模态依赖目标。实验表明,仅使用 150B 预训练 token 的 MF-1 模型在 GenEval 和 DPG-Bench 等基准上表现优异,且在同等预算下优于混合及离散模型,确立了连续块嵌入流建模作为统一多模态建模的新范式。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-10-02 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2609.40362)