論文の概要: Mamoda2.5: Enhancing Unified Multimodal Model with DiT-MoE

• arxiv url: http://arxiv.org/abs/2605.02641v1
• Date: Mon, 04 May 2026 14:26:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.333937
• Title: Mamoda2.5: Enhancing Unified Multimodal Model with DiT-MoE
• Title（参考訳）: Mamoda2.5:DiT-MoEによる統一マルチモーダルモデルの実現
• Abstract要約: Mamoda2.5は、単一のアーキテクチャ内でマルチモーダル理解と生成をシームレスに統合する統合AR拡散フレームワークである。 Mamoda2.5はVBench 2.0上で最高の世代パフォーマンスを達成し、ビデオ編集品質の新たな記録を樹立した。
• 参考スコア（独自算出の注目度）: 28.80090439127626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Mamoda2.5, a unified AR-Diffusion framework that seamlessly integrates multimodal understanding and generation within a single architecture. To efficiently enhance the model's generation capability, we equip the Diffusion Transformer backbone with a fine-grained Mixture-of-Experts (MoE) design (128 experts, Top-8 routing), yielding a 25B-parameter model that activates only 3B parameters, significantly reducing training costs while scaling up the model capacity. Mamoda2.5 achieves top-tier generation performance on VBench 2.0 and sets a new record in video editing quality, surpassing evaluated open-source models and matching the performance of current top-tier proprietary models, including the Kling O1 on OpenVE-Bench. Furthermore, we introduce a joint few-step distillation and reinforcement learning framework that compresses the 30-step editing model into a 4-step model and greatly accelerates model inference. Compared to open-source baselines, Mamoda2.5 achieves up to $95.9\times$ faster video editing inference. In real-world applications, Mamoda2.5 has been successfully deployed for content moderation and creative restoration tasks in advertising scenarios, achieving a 98% success rate in internal advertising video editing scenario.
• Abstract（参考訳）: マモダ2.5(Mamoda2.5)は、単一のアーキテクチャ内でマルチモーダル理解と生成をシームレスに統合する統合AR拡散フレームワークである。 モデル生成能力を効率的に向上するため,Diffusion Transformerのバックボーンに微細なMixture-of-Experts (MoE)設計(128のエキスパート,Top-8ルーティング)を装備し,3Bパラメータのみを活性化する25Bパラメータモデルを生成し,モデルの容量をスケールアップしながらトレーニングコストを大幅に削減する。 Mamoda2.5はVBench 2.0上での最上位世代のパフォーマンスを達成し、評価済みのオープンソースモデルを超え、OpenVE-Bench上のKling O1を含む現在のトップクラスのプロプライエタリモデルのパフォーマンスにマッチして、ビデオ編集品質の新記録を樹立した。 さらに,30ステップの編集モデルを4ステップモデルに圧縮し,モデル推論を大幅に高速化する,連成数段蒸留・強化学習フレームワークを導入する。 オープンソースのベースラインと比較すると、Mamoda2.5は最大95.9\times$高速なビデオ編集推論を実現している。 現実世界のアプリケーションでは、Mamoda2.5は、広告シナリオにおけるコンテンツモデレーションと創造的な復元タスクのためにうまくデプロイされ、内部広告ビデオ編集シナリオで98%の成功率を達成した。

関連論文リスト

• HY-Embodied-0.5: Embodied Foundation Models for Real-World Agents [71.09493646932046]
  本稿では,実世界のエンボディエージェントに特化して設計された基礎モデルのファウンデーションモデルであるHY-Embodied-0.5を紹介する。 HY-Embodied-0.5スイートは、エッジ配置用に設計された2Bアクティベートパラメータを持つ効率的なモデルと、複雑な推論をターゲットとした32Bアクティベートパラメータを持つ強力なモデルである。 私たちのMoT-2Bモデルは16ベンチマークで同等の大きさの最先端モデルより優れていますが、32BはGemini 3.0 Proのようなフロンティアモデルに匹敵するパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2026-04-08T17:59:48Z)
• DiffusionVL: Translating Any Autoregressive Models into Diffusion Vision Language Models [43.99949601044522]
  拡散視覚言語モデル (dVLM) は依然として主流モデルよりもかなり遅れている。 我々は、任意の強力なARモデルから変換可能なdVLMファミリーであるDiffusionVLを提案する。 DiffusionVLは、MMMU-Pro(vision)ベンチで34.4%、MME(Cog)ベンチで37.5%という総合的なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-12-17T18:59:55Z)
• MiniCPM-V 4.5: Cooking Efficient MLLMs via Architecture, Data, and Training Recipe [68.04078852416248]
  MiniCPM-V 4.5は8Bパラメータモデルであり、高効率で高性能に設計されている。 本稿では,モデルアーキテクチャ,データストラテジー,トレーニング手法の3つの改良点を紹介する。 MiniCPM-V 4.5は30B以下のモデル間で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-09-16T19:41:48Z)
• Skywork UniPic 2.0: Building Kontext Model with Online RL for Unified Multimodal Model [28.559525134847828]
  We present UniPic2-SD3.5M-Kontext, which is that a state-of-the-art image generation and editing while seamlessly extended into an unified multimodal framework。 我々のアプローチは、SD3.5-Mediumのアーキテクチャ変更と、高品質なデータによる大規模事前トレーニングから始まります。 UniPic2-SD3.5M-Kontextは、生成パラメータが大幅に大きいモデルよりも強力な画像生成と編集能力を示している。
  論文  参考訳（メタデータ） (2025-09-04T17:00:17Z)
• Wan: Open and Advanced Large-Scale Video Generative Models [83.03603932233275]
  Wanは、ビデオ生成の境界を推し進めるために設計された、ビデオファンデーションモデルのスイートである。 我々は、ソースコードやすべてのモデルを含む一連のWanをオープンソース化し、ビデオ生成コミュニティの成長を促進することを目的としています。
  論文  参考訳（メタデータ） (2025-03-26T08:25:43Z)
• The Best of Both Worlds: Integrating Language Models and Diffusion Models for Video Generation [53.837937703425794]
  LanDiffは、自己回帰言語モデルと拡散モデルの強みを相乗化するハイブリッドフレームワークである。 本アーキテクチャでは,(1)効率的なセマンティック圧縮により3次元視覚特徴をコンパクトな1次元表現に圧縮するセマンティック・トークンー,(2)高レベルのセマンティックな関係を持つセマンティック・トークンを生成する言語モデル,(3)粗いセマンティクスを高忠実なビデオに洗練するストリーミング拡散モデルを紹介する。
  論文  参考訳（メタデータ） (2025-03-06T16:53:14Z)
• InternLM-XComposer2.5-Reward: A Simple Yet Effective Multi-Modal Reward Model [80.93387166769679]
  IXC-2.5-Rewardは、大規模視覚言語モデルと人間の好みを一致させる、単純で効果的なマルチモーダル報酬モデルである。 IXC-2.5-Rewardは、最新のマルチモーダル報酬モデルベンチマークにおいて優れた結果を得るとともに、テキストのみの報酬モデルベンチマーク上での競合性能を示す。
  論文  参考訳（メタデータ） (2025-01-21T18:47:32Z)
• Expanding Performance Boundaries of Open-Source Multimodal Models with Model, Data, and Test-Time Scaling [191.7830199016589]
  InternVL 2.5は、InternVL 2.0上に構築された高度マルチモーダル大規模言語モデル(MLLM)シリーズである。 InternVL 2.5は、GPT-4oやClaude-3.5-Sonnetといった主要な商用モデルと競合する競争力を持つ。 このモデルが、マルチモーダルAIシステムの開発と適用のための新しい標準を設定することで、オープンソースコミュニティに貢献できることを願っています。
  論文  参考訳（メタデータ） (2024-12-06T18:57:08Z)
• DeepSpeed-MoE: Advancing Mixture-of-Experts Inference and Training to Power Next-Generation AI Scale [27.684722514336546]
  DeepSpeedライブラリの一部として,エンドツーエンドのMoEトレーニングおよび推論ソリューションであるDeepSpeed-MoEを紹介する。 DeepSpeed-MoEは、高品質の高密度モデルに比べて最大4.5倍高速で9倍の推論が可能な大規模なMoEモデルを提供するために、前例のないスケールと効率を提供する。
  論文  参考訳（メタデータ） (2022-01-14T18:36:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。