T2M

两篇论文综述了从2021年至2025年开发的至少125个多模态大型语言模型，涵盖文本到图像、音乐、视频、人类动作和3D对象等多种生成任务。文章强调自监督学习、专家混合等关键技术，并提出了MLLMs融合策略和技术分析框架。