Lumina-DiMOO：多模态扩散语言模型重塑图像生成与理解

上海人 工智能实 验室 推出了一款革新的多模态生成理解一体化的扩散语言模型 —— Lumina-DiMOO 。基于离散扩散建模（Discrete Diffusion Modeling）， Lumina-DiMOO 打破了多模态任务之间的壁垒，在同一离散扩散框架下，完成从 文本→图像、图像→图像、图像→文本的全栈能力闭环。 从 Chameleon 到 Lumina-mGPT，再到 Janus-Pro—— 主流 "多模态统一模型"，几乎都基于 自回归（AR）架构。这些模型的架构存在显著缺陷： 1. 生成太慢：逐 token 生成，导致图像生成通常需要几分钟； 2. 生成质量受限：图像细节的表现力较弱，尤其是在高分辨率生成时，精细度无法保证； 3. 任务间无法无缝衔接：多模态的生成和理解任务往往分开处理，导致模型的通用性和效率受到制约。 过 去：自回归生成 的瓶颈 然而，Lumina-DiMOO 采用了纯离散扩散框架，彻底解决了上述问题。在这个全新的架构中，我们通过并行化的双向注意力机制和灵活的采样策略，实现了跨多 任务的高效融合，不仅加速了生成过程，还提升了生成质量。 现在：扩散语言模型的崛起 Lumina-Di ...