通过视觉令牌撤回，提升多模态大型语言模型的快速推理能力

研究人员通过语言模型在多模态数据上取得了显著进展。LaVIT是一种将视觉和语言统一表示的模型，通过将非语言图像转换为离散标记的视觉分词器，可以处理图像和文本。实验证明，LaVIT在多个任务上的性能超过现有模型。