/ Модель

Характеристики

Лицензия
MIT
Библиотека
multimodal-flow
Опубликована
30 сен 2026

Multimodal-Flow

Мультимодальная модель

Multimodal Flow — мультимодальная модель на 1,6 млрд параметров для продолжения текста, понимания изображений и генерации изображений.

0скачиваний за 30 дней5лайковвеса обновлены1 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Multimodal Flow (MF) — непрерывная мультимодальная модель для совместной работы с языком и изображениями, разработанная исследователями из Huazhong University of Science and Technology, Beijing Jiaotong University и Horizon Robotics. Она использует общие причинно упорядоченные гиперчанки в пространстве эмбеддингов и поддерживает продолжение текста, понимание изображений и генерацию изображений через единый интерфейс.

Опубликованы чекпойнты предобучения и supervised fine-tuning размером 1,6 млрд параметров, а также общий текстовый декодер. Веса представлены в формате BF16; в репозитории есть веса для инференса и конфигурация, но нет состояний обучения и оптимизатора. Лицензия — MIT. Указанные сценарии применения включают текстовую генерацию, описание и анализ изображений, а также создание изображений по тексту; сведения о контекстном окне и поддерживаемых языках сверх английского не приведены.

Сценарии применения

  • продолжение текста по текстовой подсказке
  • понимание и описание изображений
  • генерация изображений по тексту
  • единая обработка текстовых и визуальных запросов

Ограничения

В карточке описаны продолжение текста, понимание и генерация изображений, но конкретные показатели качества и длина контекста не приведены. Релиз содержит только веса для инференса и конфигурацию, без состояний обучения и оптимизатора.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Multimodal Flow

Unified Flow Modeling of Language and Vision in Embedding Spaces

Multimodal Flow (MF) is a fully continuous framework for multimodal understanding and generation. Language and vision remain continuous states, organized as ordered hyperchunks in a shared causal stream. The same model interface supports text continuation, image understanding, and image generation.

Authors

Hongyuan Tao, Xinggang Wang, Lianghui Zhu, Yongkang Li, Yunchao Wei, Bin Feng, Shaoyu Chen, Qian Zhang, Chang Huang, and Kai Yu.

Huazhong University of Science and Technology · Beijing Jiaotong University · Horizon Robotics

Models and assets

PathDescription
MF/pretrain1.6B pretraining model
MF/sft1.6B supervised fine-tuned model
Text Decoder/Shared BF16 text decoder
Vision statistics/Shared FP32 vision normalization statistics

The model weights are BF16. The release contains inference weights and configuration only; training states and optimizer states are not included.

Usage

Use the models with the open-source code:

Multimodal-Flow

# Text continuation
mf infer --checkpoint ./MF/pretrain text \
  --prompt "A short language model can"

# Image understanding
mf infer --checkpoint ./MF/sft caption \
  --image /path/to/image.jpg \
  --prompt "Describe this image."

# Text-to-image generation
mf infer --checkpoint ./MF/sft image \
  --prompt "A quiet observatory above the clouds." \
  --output outputs/sample.png

Text inference uses the model package directly. Image understanding and image generation additionally require the compatible Scale RAE decoder assets; set MF_ASSETS_ROOT to a directory containing scale_rae_decoder/.

License

MIT License. Please also review the licenses of external encoder, tokenizer, and decoder assets used with the models.

Citation

@article{tao2026multimodalflow,
  title={Multimodal Flow: Unified Flow Modeling of Language and Vision in Embedding Spaces},
  author={Tao, Hongyuan and Wang, Xinggang and Zhu, Lianghui and Li, Yongkang and Wei, Yunchao and Feng, Bin and Chen, Shaoyu and Zhang, Qian and Huang, Chang and Yu, Kai},
  journal={arXiv preprint arXiv:2609.40362},
  year={2026},
  url={https://arxiv.org/abs/2609.40362}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · multimodal-flow

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Ревизия весов
13818c6

0 моделей