全站搜索结果
模型概览
这是什么,谁做的,去哪找一手资料
一句话:Gestalt 是一个围绕「多模态交互」组织起来的统一模型 —— 同一个离散扩散框架里同时做图像生成、多模态理解和纯文本任务,而不是三套模型拼起来。
身份卡
| 英文全称 | Gestalt: Large Multimodal Interplay Model |
|---|---|
| 中文可译作 | 大型多模态交互模型(本站译法,非官方定名) |
| 论文编号 | arXiv:2610.00576(v1 2026-09-30,v2 2026-10-08,17 页 7 图) |
| DOI | https://doi.org/10.48550/arXiv.2610.00576 |
| 基座 | LLaDA-8B-Instruct(统一离散扩散框架) |
| 主要机构 | 中国人民大学高瓴人工智能学院、大模型与智慧治理北京市重点实验室、北京航空航天大学、北京邮电大学、上海人工智能实验室、AresoX |
| 作者(11 位) | Zequn Yang、Yu Miao、Haotian Ni、Ziheng Chen、Chengxiang Huang、Dongzhan Zhou、Kai Chen、Qi Zhang、Ji-Rong Wen、Yake Wei、Di Hu |
| 作者分工要点 | 前五位共同一作;Yake Wei 与 Di Hu 为团队负责人,Di Hu 为通讯作者;Di Hu 发起项目(据仓库 README 的 Author Contributions) |
| 代码 | https://github.com/GeWu-Lab/Gestalt |
| 权重 | https://huggingface.co/GeWu-Lab/Gestalt |
| 在线 Demo | https://huggingface.co/spaces/hugging-apps/gestalt |
| 官方主页 | https://gewu-lab.github.io/Gestalt/ |
名字从哪来
README 与论文都写明:名字取自格式塔心理学(Gestalt psychology)那句「整体大于部分之和」。放在这个模型上很贴切 —— 它关心的正是图像与文本合起来之后,多出来的那部分信息。注意本站的三角形标识也是从「缺一块仍能围出整体」这个意象自建的,与官方三圆标识不是同一个图形。
四个官方入口,一眼看清
项目主页
最全:架构说明、五组评测表、示例图、论文/代码/权重/Demo 入口。
论文
17 页、7 图,v1 2026-09-30、v2 2026-10-08,CC BY 4.0。
代码仓库
训练与推理脚本、快速上手、数据格式、引用格式、更新动态。
模型权重
官方主页与 README 指向的权重地址(本机网络未核实可访问性)。
发布节奏
- 代码仓库创建(GitHub API)。
- 放出权重与训练/推理代码;论文 v1 提交。
- README 公告 arXiv 论文上线。
- 论文 v2 修订版。
- 仓库最后一次推送(GitHub API 快照,2026-11-20 核对)。
- README 写着 SFT 数据「coming soon」,截至本站核对日尚未放出。
关于 Hugging Face:官方主页与 README 都给出了权重与 Space Demo 链接,但本站建站时本机网络访问 Hugging Face 未成功,因此不写下载量、不写「可正常体验」,只把链接原样列出。请以官方页面当前状态为准。
来源:官方项目主页、arXiv 摘要页、仓库 README、GitHub API 仓库元数据。最后核对 2026-11-20。