最新研究由谷歌和卡内基梅隆大学（CMU）的研究人员进行，发现在图像和视频生成领域，使用良好的视觉tokenizer的语言模型首次战胜了扩散模型。这项研究为语言模型的多模态应用提供了新思路，将视觉和语言统一在相同的token空间中，提高多模态语言模型的性能，加速视频应用的处理速度，并提高视频压缩质量。同时，这一创新设计也加强了模型的鲁棒性和泛化性，揭示了语言模型在视觉生成领域的潜力。这项研究为提高大型语言模型的性能开辟了新的途径。