Seedream 团队提出 VoT:让模型在渲染像素前先做视觉思考
JingxiangSun42 · x · 2026-09-13
字节 Seedream 团队发布新工作 VoT: Vision-of-Thought for Unified Multimodal Representation Alignment,将 MoT 扩展为文本、VoT、Diffusion 三个分支,所有分支的 key-value 对拼接后做统一注意力。
在文生图和图生图任务中,VLM 与 DiT 之间插入 VoT 分支:先用离散视觉 token 预测语义规划(即"先视觉思考"),扩散分支再联合关注文本与 VoT 的 KV 表示,合成最终图像。
所属事件:字节 Seedream 团队发布 VoT：让模型先思考再作画(3 条相关)→
「多模态」频道最新
- 单图生成视频再转 3D 高斯泼溅，可直接漫游万圣节庄园 — XRarchitect · 2026-10-31
- ColmapView 开源 Spatial Hub:聚合近 5000 个公开空间数据集 — janusch_patas · 2026-10-31
- 单张图片生成无限穿行视频,再转成可行走 3D 高斯泼溅场景 — XRarchitect · 2026-10-31
- 社区整理 60+ 个 ChatGPT「斜杠风格词」:一词唤出整套视觉风格 — heyshrutimishra · 2026-10-31
- Cartesia 语音 agent 平台盲测登顶：级联方案击败原生 speech-to-speech — rohanpaul_ai · 2026-10-31
- Hyperflow H3 登顶视频榜前五，价格不到 Seedance 2.5 一半 — ArtificialAnlys · 2026-10-31