⌘ K
… 读取采集状态 同步中...
雷
原文
The Batch·· 2026-03-20精选AI 评分75

Apple 发布多模态统一分词器 AToken,统一处理图像、视频和 3D 对象

Attacks On Data Centers, Qwen3.5 In All Sizes, DeepSeek’s Huawei Play, Apple’s Multimodal Tokenizer

AI 导读

Apple 团队开发了 AToken,一个能将图像、视频和 3D 对象映射到共享 token 空间的通用视觉分词器,兼顾生成与分类任务。该模型基于 SigLIP2 视觉编码器扩展,通过时空坐标和 4D 旋转位置编码统一处理不同维度的视觉输入。

推荐理由

文章介绍了Apple提出的统一多模态tokenizer AToken,展示了共享编码器在图像、视频和3D任务上的通用性潜力。

本文当前提供导读和图片预览,完整图文请查看原文。

来源:The Batch · deeplearning.ai