FLAT: Resampling Image and Text into 1D Flexible-Length Aligned Transmodal Tokens for Retrieval and Generation

• 类型：arxiv
• 标识：2609.16591
• 链接：https://arxiv.org/abs/2609.16591
• 主分类：rag
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：This work revisits joint multimodal representation learning and generation to produce linearly interpolatable embeddings that are directly consumable by generative decoders and ensures its representations function as both discriminative semantic descriptors and generative conditions.
• OpenAlex ID：W7213435611
• OpenAlex DOI：10.48550/arxiv.2609.16591
• DOI：10.48550/arxiv.2609.16591
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2609.16591
• OpenAlex更新：2026-09-18
• 副分类：multimodal
• 待LLM分类：否
• 标题中文：FLAT：将图像和文本重采样为 1D 变长对齐跨模态 token 用于检索与生成
• TLDR中文：本文重新审视联合多模态表示学习与生成，旨在产生可直接被生成式解码器使用的线性可插值嵌入，并确保其表示同时充当判别性语义描述符和生成条件。
• 来源文件：
• /inbox/tom/_candidates/2026-09-17-agent-rag-longcontext-candidates.json
• [OpenAlex backfill]
• [S2 enrich]