全站搜索结果
中文图解
把论文里的关系画成中文
这一页的 8 张图全部由本站依据论文文字与表格数字自绘(其中 2 张与首页共用),不是论文原图,也不搬运官方示意图。浅底深字,数字照录,图下写明依据与读法;论文原图请从「一手来源」进入官方项目页与 PDF 查看。
data/ 快照,改数据时图会跟着变。一 · 概念:多模态交互金字塔
本站依据论文「多模态交互金字塔」概念自绘,非官方原图。三色沿用官方既有色(蓝=视觉、紫=语言、粉=协同),图形为本站自建的三角形母题。论文里的例子:文字说「大狗戴红项圈、小狗戴蓝项圈」,图像给出项圈颜色,两者合起来才能认出哪只是小狗。
二 · 架构:两个 Zone 与交互 token
论文的核心设计不是「从第一层就共享全部计算」,而是先用受限交换保住模态特有信息,再放开做全模态整合。论文讨论节的判断是:统一未必要求从最底层就共享计算,先专业化、再受控交换、最后整合,可能更好地平衡两者。
三 · 四类交互信息关系
依据论文 2.1 节与附录 6.2 的四类交互定义自绘,非论文原图。论文举的例子:文字给出「哪只戴红项圈」,图像给出项圈颜色,合起来才能认出是哪只狗 —— 这个判断本身不在任一模态里。
四 · 13.7M 指令数据的构成
四类汇总口径在论文 2.2 节与附录 6.2 的列举顺序不同,本站按「冗余 / 文本特有 / 视觉特有 / 协同」统一排列,数字不变。本站自绘,非论文原图。
五 · 三阶段训练课程
依据论文 3.1 节与 Table 8 自绘,非论文原图。三阶段数据规模取自官方项目主页与论文;仓库配置里的 Stage-III 参数是默认值,不等于论文最终超参。
六 · 主评测结果(Table 1)
按论文 Table 1 第一列数字重绘。带 ↑ 的数值为原表标注的相对提升,本站照录不换算。同页其余分项与五张主评测表见「评测数据」页。本站自绘,非论文原图。
七 · 语言表征保留(Table 4)
Table 4 同时报告 CKA:Gestalt 0.99494,投影对齐组 0.99997 / 0.99964 / 0.97424,Lumina-DiMOO 0.43894。本站按 Cosine 一列重绘,非论文原图;结论以表格原文为准。
八 · 课程消融的能力轨迹(Table 8)
按论文 Table 8 的 Δ 列重绘,非论文原图。MME-P 从 +113.8 走到 −37.9,MMStar-P 从 −4.44 转到 +2.20 —— 论文用 progressively reshapes 描述这个过程,本站不写成「课程全面更优」。
图与出处的对照
| 图 | 依据 | 数字来源 | 官方原文 |
|---|---|---|---|
| 金字塔 / 两个 Zone | 论文 1–2 节文字 | 无数字,纯关系示意 | 一手来源 |
| 四类交互关系 | 论文 2.1 节与附录 6.2 | 2.8M / 4.2M / 4.0M / 2.7M | 数据与训练 |
| 13.7M 构成 | 论文 Table 7 与 2.2 节 | details.json · interplay_mix | 数据与训练 |
| 三阶段课程 | 论文 3.1 节与 Table 8 | 70M / 8M / 13.7M | 数据与训练 |
| UniGenBench 条形 | 论文 Table 1 第一列 | benchmarks.json | 评测数据 |
| 表征保留条形 | 论文 Table 4 Cosine 列 | details.json · tables | 分析实验 |
| 课程消融 Δ | 论文 Table 8 的 Δ 列 | details.json · tables | 分析实验 |
全部图形为本站自绘 SVG,直接写在 HTML 源码里,无脚本、无外部图片;最后核对 2026-11-20。相关:一手来源 · 编辑原则。