近年来，多模态大语言模型（MLLM）在视觉与语言结合方面取得显著进展。新一代模型如GPT-4o和ILLUME+展现出卓越的视觉理解和生成能力，尤其在上下文感知生成和图像编辑任务中表现突出。ILLUME+通过双重视觉联合词表和扩散解码器，提升了语义理解和高保真图像生成能力，推动了多模态任务的智能化发展。

华为诺亚方舟实验室提出的多模态大模型ILLUME，整合视觉理解与生成能力，使用约1500万图文对数据，展现出卓越的多模态任务性能。通过自提升多模态对齐策略，促进理解与生成能力的协同进化。