11:03arXiv cs.AI@Junhao Chen, Chanyu Zhu, Zheqi Lv, Keting Yin, Shengyu Zhang自回归视觉模型(AVM)基于下一尺度预测进行图像和视频合成,但语义错误易累积。现有免训练方法忽略中间生成状态,导致错误未被诊断。Gazer框架引入多模态大语言模型反馈,在AVM采样循环中通过反思诊断和语义修正两个阶段实时纠正错误。在组合图像和视频基准测试中,Gazer提升了多个AVM的语义对齐和组合准确性,无需额外训练。论文GazerAVMs多模态大语言模型语义修正免训练推荐理由:这个框架不用重训模型,就能在图片和视频生成时自动修语义错,比之前的免训练方法更靠谱。原文