Multimodal Flow：在嵌入空间统一建模语言与视觉的流模型

Multimodal Flow 是一个完全连续的语言与视觉生成模型，在嵌入空间中以统一的连续架构完成多模态预训练，避免离散视觉 token 带来的量化瓶颈，也无需按模态区分目标函数与采样流程。现有统一多模态模型要么把语言和量化图像都当作离散 token，要么用离散语言预测搭配连续图像生成。