ज़ी युआन अनुसंधान संस्थान की Emu3 टीम ने एक नई मल्टीमोडल मॉडल Emu3 लॉन्च किया है, जो केवल अगली टोकन भविष्यवाणी पर आधारित है। यह पारंपरिक डिफ्यूजन मॉडलों और संयोजन मॉडल आर्किटेक्चर को उलट देता है, और जनरेटिव और संवेदनात्मक कार्यों में अत्याधुनिक प्रदर्शन प्राप्त करता है। हमेशा से, अगली टोकन भविष्यवाणी को कृत्रिम बुद्धिमत्ता सामान्य बुद्धिमत्ता (AGI) की ओर ले जाने वाले रास्ते के रूप में माना जाता रहा है, लेकिन मल्टीमोडल कार्यों में इसका प्रदर्शन बेहतर नहीं था। वर्तमान में, मल्टीमोडल क्षेत्र में अभी भी डिफ्यूजन मॉडल (जैसे स्टेबल डिफ्यूजन) का वर्चस्व है।

माइक्रोसॉफ्ट ने ओपन-सोर्स मल्टीमोडल मॉडल LLaVA-1.5 को लॉन्च किया, जो LLaVA आर्किटेक्चर को अपनाता है और नए फीचर्स को शामिल करता है। शोधकर्ताओं ने इसकी विजुअल प्रश्न-उत्तर, प्राकृतिक भाषा प्रसंस्करण, छवि निर्माण आदि पर परीक्षण किए, जिससे पता चला कि LLaVA-1.5 ओपन-सोर्स मॉडल में उच्चतम स्तर पर पहुँच गया है।