Prezentăm o previzualizare a cercetării Self-Flow: o abordare scalabilă pentru antrenarea modelelor generative multimodale. Generarea multimodală necesită învățare end-to-end între modalități: imagine, video, audio, text - fără a fi limitată de modele externe pentru învățarea reprezentărilor. Self-Flow abordează acest lucru prin potrivirea fluxului auto-supravegheată, care scalează eficient între modalități. Rezultate: • Convergență de până la 2,8 ori mai rapidă între modalități. • Îmbunătățire a consistenței temporale în video • Redare textului mai ascuțită și tipografie Aceasta este o cercetare fundamentală pentru drumul nostru către inteligența vizuală multimodală.