Apresentamos uma prévia de pesquisa do Self-Flow: uma abordagem escalável para treinar modelos generativos multimodais. A geração multimodal requer aprendizado de ponta a ponta entre modalidades: imagem, vídeo, áudio, texto - sem ser limitada por modelos externos para aprendizado de representação. O Self-Flow aborda isso com correspondência de fluxo auto-supervisionada que escala de forma eficiente entre modalidades. Resultados: • Convergência até 2,8x mais rápida entre modalidades. • Consistência temporal melhorada em vídeo • Renderização de texto e tipografia mais nítidas Esta é uma pesquisa fundamental para o nosso caminho em direção à inteligência visual multimodal.