SEED-Story是由騰訊與香港科技大學、香港中文大學共同研發的一款創新性多模態故事生成模型。該模型基于多模態大語言模型（MLLM），能夠同時預測文本和視覺token，并通過視覺de-tokenizer生成風格一致的圖像。憑借引入的多模態注意力機制，SEED-Story支持生成長達25個序列的連貫敘事。

SEED-Story是什么

SEED-Story是騰訊與香港科技大學、香港中文大學合作開發的一款多模態故事生成模型。它利用多模態大語言模型（MLLM）來預測文本與視覺token，并通過視覺de-tokenizer生成具有一致風格的圖像。SEED-Story采用多模態注意力機制，能夠生成長達25個序列的連貫故事。此外，SEED-Story還提供了名為StoryStream的大規模高分辨率數據集，用于模型的訓練和評估。

SEED-Story的主要功能

• 多模態故事生成：SEED-Story能夠根據用戶提供的起始圖像和文本，生成包含連貫敘述和風格一致圖像的長篇故事。
• 多模態注意力匯聚機制：引入了多模態注意力匯聚機制，使得模型能夠高效自回歸地生成故事，支持生成長達25個序列的內容。
• 大規模數據集：發布了名為StoryStream的高分辨率數據集，用于訓練模型并從多方面評估多模態故事生成的效果。
• 故事指令調整：在故事生成過程中，SEED-Story通過指令調整對模型進行微調，以預測故事的下一個圖像和文本。
• 可視化和交互：提供可視化比較，展示生成的圖像在質量和一致性上優于其他基線模型。

SEED-Story的技術原理

• 多模態大語言模型（MLLM）：該技術利用大型語言模型來理解、生成和預測文本及視覺元素，能夠處理并生成文本數據，同時理解并生成視覺內容。
• 文本和視覺標記預測：SEED-Story能夠準確預測文本標記（文本中的元素或單詞）和視覺標記（圖像中的元素）。
• 視覺de-tokenizer：將語言模型生成的文本和視覺標記轉化為圖像，通過視覺de-tokenizer生成風格一致的高質量圖像。
• 多模態注意力機制：引入該機制，使模型在生成故事時能夠關注文本與圖像之間的相互關系，從而更有效地處理長序列生成任務。
• 自回歸生成：模型采用自回歸方式生成故事，即每個新生成的標記依賴于之前生成的所有標記，確保故事的連貫性。
• 長序列生成能力：通過多模態注意力機制，SEED-Story能夠生成比訓練序列更長的故事。
• StoryStream數據集：提供一個高分辨率大規模數據集，用于訓練模型并評估多模態故事生成任務，數據集包含視覺吸引的高分辨率圖像及詳細敘述文本。
• 訓練流程：包括預訓練去標記器以重建圖像、采樣交錯圖像文本序列進行訓練，并利用MLLM的回歸圖像特征來優化生成圖像。

SEED-Story的項目地址

• GitHub倉庫：https://github.com/TencentARC/SEED-Story
• HuggingFace模型庫：https://huggingface.co/TencentARC/SEED-Story
• arXiv技術論文：https://arxiv.org/abs/2407.08683

SEED-Story的應用場景

• 創意寫作輔助：為作家和內容創作者提供靈感，幫助他們生成故事大綱、角色描述和情節發展。
• 教育與學習：作為教學工具，幫助學生理解故事敘述結構，提高他們的寫作和創意思維能力。
• 娛樂與游戲開發：在視頻游戲中生成動態故事線和角色背景，增強沉浸式體驗。
• 廣告與營銷：快速生成引人注目的廣告故事或營銷材料，提升廣告內容的吸引力和個性化。
• 電影與動畫制作：輔助劇本創作，生成角色對話和場景描述，加速制作流程。