統一マルチモーダルモデルにおける視覚言語としての画像トークナイザーの研究

本研究は、統一された多峰性モデルにおける画像トークナイザーを「視覚言語」として研究する。従来の孤立した評価ではなく、テキストと画像を共同でモデル化する際の視覚トークンの振る舞いを、純粋な自己回帰テストベッドを用いて追跡する。これにより、多峰性モデルにおける視覚言語の理解を深める。