MSP：无需配对跨模态数据的多模态 LLM 训练框架
原文标题：MSP: Modality Self-Play for Training Multimodal LLMs Without Paired Cross-Modal Data
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出模态自博弈（MSP），用代理文本描述作为语义桥梁，让模型在缺少真实配对跨模态数据的情况下学习跨模态组合。MSP 实现零样本模态组合，仅用真实锚模态与代理描述训练即可在推理时整合多种模态，在多个多模态基准上取得最优或具竞争力表现，无需真实配对的非文本监督。
深读 · 结论先行AI 生成展开看要点与影响 ↓
MSP用代理文本描述当语义桥梁，无需真实配对跨模态数据即可实现零样本模态组合。
- •核心思路是用锚模态生成未见模态的代理文本描述，再经学习到的桥接与锚模态对齐
- •训练时只需真实锚模态加代理描述，推理时可整合多种模态
- •无需真实配对的非文本监督，绕开配对数据昂贵、难扩展的瓶颈
- •假设是代理文本加对比预训练编码器已提供足够语义结构
- •在多个多模态基准上取得最优或具竞争力表现
为什么重要：若成立，多模态训练可摆脱对昂贵配对数据的依赖，对数据获取受限的模态组合（如音频、传感器）尤其有价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。