# 多模态流

该工作提出 Multimodal Flow，把文本块与图像编码为有序连续超块，用共享的 chunk-causal Flow Matching 骨干在各自嵌入空间建模语言与视觉，并实例化为 MF-1：在 0.6B、1.2B、1.6B 规模上持续预训练稳定提升多模态建模，1.6B 模型仅用 150B 预训练 token 即在 GenEval 得 0.821、DPG-Bench 得 83.44，在 VQAv2、MMBench、POPE 上平均 75.3，并在匹配数据、优化与参数预算下优于代表性混合式与离散式模型。

该工作提出 Multimodal Flow，把文本块与图像编码为有序连续超块，用共享的 chunk-causal Flow Matching 骨干在各自嵌入空间建模语言与视觉，并实例化为 MF-1：在 0.6B、1.2B、1.6B 规模上持续预训练稳定提升多模态建模，1.6B 模型仅用 150B 预训练 token 即在 GenEval 得 0.821、DPG-Bench 得 83.44，在 VQAv2、MMBench、POPE 上平均 75.3，并在匹配数据、优化与参数预算下优于代表性混合式与离散式模型。