Lumina-DiMOO: Ein omnidiffusives Großsprachmodell für multimodale Generierung und Verständnis

Lumina-DiMOO: An Omni Diffusion Large Language Model for Multi-Modal Generation and Understanding

October 7, 2025

papers.authors: Yi Xin, Qi Qin, Siqi Luo, Kaiwen Zhu, Juncheng Yan, Yan Tai, Jiayi Lei, Yuewen Cao, Keqi Wang, Yibin Wang, Jinbin Bai, Qian Yu, Dengyang Jiang, Yuandong Pu, Haoxing Chen, Le Zhuo, Junjun He, Gen Luo, Tianbin Li, Ming Hu, Jin Ye, Shenglong Ye, Bo Zhang, Chang Xu, Wenhai Wang, Hongsheng Li, Guangtao Zhai, Tianfan Xue, Bin Fu, Xiaohong Liu, Yu Qiao, Yihao Liu

cs.AI

papers.abstract

Wir stellen Lumina-DiMOO vor, ein Open-Source-Grundlagenmodell für nahtlose multimodale Generierung und Verständnis. Lumina-DiMOO unterscheidet sich von früheren vereinheitlichten Modellen durch die Nutzung eines vollständig diskreten Diffusionsmodells, um Eingaben und Ausgaben über verschiedene Modalitäten hinweg zu verarbeiten. Dieser innovative Ansatz ermöglicht es Lumina-DiMOO, eine höhere Sampling-Effizienz im Vergleich zu früheren autoregressiven (AR) oder hybriden AR-Diffusions-Paradigmen zu erreichen und unterstützt geschickt ein breites Spektrum multimodaler Aufgaben, einschließlich Text-zu-Bild-Generierung, Bild-zu-Bild-Generierung (z. B. Bildbearbeitung, subjektgesteuerte Generierung und Bildinpainting) sowie Bildverständnis. Lumina-DiMOO erzielt state-of-the-art Leistung in mehreren Benchmarks und übertrifft bestehende Open-Source-vereinheitlichte multimodale Modelle. Um weitere Fortschritte in der Forschung zu multimodalen und diskreten Diffusionsmodellen zu fördern, stellen wir unseren Code und unsere Checkpoints der Gemeinschaft zur Verfügung. Projektseite: https://synbol.github.io/Lumina-DiMOO.

English

We introduce Lumina-DiMOO, an open-source foundational model for seamless multi-modal generation and understanding. Lumina-DiMOO sets itself apart from prior unified models by utilizing a fully discrete diffusion modeling to handle inputs and outputs across various modalities. This innovative approach allows Lumina-DiMOO to achieve higher sampling efficiency compared to previous autoregressive (AR) or hybrid AR-Diffusion paradigms and adeptly support a broad spectrum of multi-modal tasks, including text-to-image generation, image-to-image generation (e.g., image editing, subject-driven generation, and image inpainting, etc.), as well as image understanding. Lumina-DiMOO achieves state-of-the-art performance on multiple benchmarks, surpassing existing open-source unified multi-modal models. To foster further advancements in multi-modal and discrete diffusion model research, we release our code and checkpoints to the community. Project Page: https://synbol.github.io/Lumina-DiMOO.