Mogao – 字节跳动Seed团队推出的多模态理解与生成统一架构-爱论文

Mogao是什么

Mogao是字节跳动Seed团队推出的交错多模态生成全基础模型。在架构上采用了双视觉编码器，结合变分自编码器（VAE）和视觉变换器（ViT），能更好地进行视觉理解并改善图像生成的上下文对齐。Mogao引入了交错旋转位置嵌入（IL-RoPE），用于捕捉图像的二维空间位置信息和多模态数据的时间位置关系，通过多模态无分类器引导技术进一步提升生成质量和一致性。

Mogao的主要功能

多模态理解和生成：Mogao 能处理文本和图像的交错序列，实现高质量的多模态理解和生成。可以在给定文本描述的情况下生成高质量图像，能在给定图像的情况下生成相关的文本内容。在多模态理解任务中，文本标记会关注历史序列中的视觉变换器（ViT）标记和文本标记，更好地理解图像内容。零样本图像编辑与组合生成：Mogao 展现出强大的零样本图像编辑能力，能在没有额外训练的情况下对图像进行编辑和修改。具备组合生成能力，可以将不同的元素组合在一起生成新的图像，具有很强的一致性和连贯性。高质量图像生成：Mogao 在图像生成方面表现出色，在真实感、图形设计、动漫、插图等多个风格分类上表现优异。支持最高 2K 分辨率的图像生成，能生成具有高细节和高质量的图像。文本渲染能力：Mogao 在文本渲染方面有显著提升，文本可用率高达 94%，有效解决以往图像生成中中文字渲染难题。

Mogao的技术原理

双视觉编码器：Mogao 使用变分自编码器（VAE）和视觉变换器（ViT）作为视觉编码器。当图像作为条件输入时，同时提取 VAE 和 ViT 的视觉特征，将它们附加到历史序列中。对于多模态理解任务，文本标记仅关注 ViT 标记和文本标记；对于多模态生成任务，噪声 VAE 标记会关注历史序列中的所有标记。深度融合架构：基于预训练的大语言模型（LLM），Mogao 使用统一的自注意力层同时处理视觉和文本序列，在前馈网络（FFN）中使用不同的多层感知机（MLP）来分别处理视觉和文本模态。交错旋转位置嵌入（IL-RoPE）：用于捕捉图像的二维空间位置信息和多模态数据的时间位置关系，模型能更好地处理交错的文本和图像序列。混合分辨率训练：在不同宽高比和分辨率的图像上进行预训练和微调，从低分辨率（如 256²）到高分辨率（如 2048²），引入尺寸嵌入使模型能够感知目标分辨率。跨模态 RoPE：将文本 token 视为二维 token，应用二维 RoPE，进一步增强视觉和文本 token 的对齐效果。后训练阶段：包括持续训练（CT）、监督微调（SFT）、人工反馈对齐（RLHF）和提示工程（PE），提升模型的性能和可控性。缺陷感知型训练范式：引入缺陷检测器，精确定位缺陷区域，通过掩码隐含空间优化，有效扩展训练数据集。Hyper-SD 和 RayFlow：优化生成路径，引导每个数据点至特定实例的目标分布，减少路径碰撞，提高生成稳定性和样本多样性。重要性采样机制：学习在训练过程中关注最关键的时间步，支持高效的少步数采样，不影响生成质量。

Mogao的项目地址

arXiv技术论文：https://arxiv.org/pdf/2505.05472

Mogao的应用场景

内容创作：Mogao 能根据文本描述生成高质量的图像，也可以根据图像生成相关的文本描述。智能助手：Mogao 可以结合语音、图像和文本等多种模态，实现更自然、更智能的人机交互。图像和文本的相互检索：用户可以通过输入文本描述来查找相关的图像，或者通过上传图像来获取相关的文本描述。虚拟现实与增强现实：Mogao 可以用于生成虚拟环境和互动元素，提升虚拟现实和增强现实的用户体验。医疗影像分析：Mogao 可以将不同模态的医疗影像（如 MRI、CT、超声波等）与文本描述相结合，提高疾病诊断的准确性和早期发现能力。