X-Prompt: Hacia la Generación Universal de Imágenes en Contexto en Modelos Fundamentales de Lenguaje Visual Auto-RegresivosX-Prompt: Towards Universal In-Context Image Generation in
Auto-Regressive Vision Language Foundation Models
La generación en contexto es un componente clave de la capacidad de generalización de tareas abiertas de los modelos de lenguaje grandes (LLMs). Al aprovechar unos pocos ejemplos como contexto, los LLMs pueden realizar tareas tanto dentro como fuera del dominio. Los avances recientes en modelos visión-lenguaje auto-regresivos (VLMs) construidos sobre LLMs han demostrado un rendimiento impresionante en la generación de texto a imagen. Sin embargo, el potencial del aprendizaje en contexto para tareas generales de generación de imágenes sigue siendo en gran medida inexplorado. Para abordar esto, presentamos X-Prompt, un modelo de lenguaje grande de visión puramente auto-regresivo diseñado para ofrecer un rendimiento competitivo en una amplia gama de tareas de generación de imágenes tanto vistas como no vistas, todo dentro de un marco unificado de aprendizaje en contexto. X-Prompt incorpora un diseño especializado que comprime eficientemente características valiosas de ejemplos en contexto, admitiendo secuencias de tokens en contexto más largas y mejorando su capacidad para generalizar a tareas no vistas. Una tarea de entrenamiento unificada para la predicción de texto e imagen permite a X-Prompt manejar la generación de imágenes generales con una mayor conciencia de la tarea a partir de ejemplos en contexto. Experimentos extensos validan el rendimiento del modelo en diversas tareas de generación de imágenes vistas y su capacidad para generalizar a tareas previamente no vistas.