论文用PixelBench测试LLM直接逐像素生成图像，并提出PRT后训练方法。
资讯摘要
论文提出PixelBench基准，测试大语言模型不借助图像分词器或解码器、仅用现有词表直接生成像素图像的能力，涵盖多分辨率下的文本到像素（T2P）与图像到像素（I2P）生成，并配套像素理解评测。作者报告最强模型在T2P中可直接从文本生成可辨识图像，在低分辨率I2P中优于调色板匹配下采样与专用像素化算法；像素理解表现与生成表现强相关。分辨率扩展研究显示性能常先升后降。论文还提出Pixel Reconstruction Tuning（PRT），将描述-调色板-网格轨迹混入视觉指令微调，从预训练检查点后训练Molmo2-4B，在16个视觉基准上提升。
要点速读
- 论文提出PixelBench，评测LLM以调色板加索引网格方式直接生成像素图像，无需学习式图像分词器或解码器。
- 作者报告最强模型在T2P中可生成可辨识图像，低分辨率I2P优于调色板匹配下采样和专用像素化算法，且像素理解与生成表现强相关。
- 论文提出PRT方法，将PRT数据与通用指令数据混合后训练Molmo2-4B，在16个视觉中心基准上取得提升。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。