Prezentujemy przegląd badań nad Self-Flow: skalowalnym podejściem do trenowania wielomodalnych modeli generatywnych. Generacja wielomodalna wymaga uczenia end-to-end w różnych modalnościach: obraz, wideo, dźwięk, tekst - bez ograniczeń związanych z zewnętrznymi modelami do uczenia reprezentacji. Self-Flow rozwiązuje to za pomocą samonadzorowanego dopasowywania przepływu, które efektywnie skaluje się w różnych modalnościach. Wyniki: • Do 2,8x szybsza zbieżność w różnych modalnościach. • Poprawiona spójność temporalna w wideo • Wyraźniejsze renderowanie tekstu i typografia To badania podstawowe na naszej drodze do multimodalnej inteligencji wizualnej.