自提示训练

自我提示：唤醒一维视觉分词器中的文本语义

Prompt Yourself: Awakening Textual Semantics in 1D Visual Tokenizers

提出一种自提示训练范式，在训练时同时生成视觉与文本词元并对齐到预训练语言模型，从而将语言语义注入1D视觉分词器，提升细粒度图像编码能力；该思路可复用于改进其他视觉分词器或生成模型的表征质量。