腾讯SEED-Story：生成丰富、叙事连贯及风格一致图文故事的大模型

主要观点总结

SEED-Story是一个多模态长篇故事生成系统，由MLLM驱动，可以从用户提供的图片和文本开始生成故事。它包括三个阶段的训练过程，旨在生成丰富、连贯且多模态的故事。故事可以跨越多达25个序列，尽管在训练期间仅使用最多10个序列。本文还介绍了其使用的注意力机制以及数据集和实验评估。

关键观点总结

关键观点1: 系统概述

SEED-Story能够从用户提供的图片和文本开始生成多模态长篇故事，且模型、代码与数据都已开源。

关键观点2: 训练过程

SEED-Story的训练过程包括三个阶段：预训练去标记化器、训练MLLM以及调整SD-XL增强生成图片中的角色和风格一致性。

关键观点3: 注意力机制

SEED-Story在多模态故事生成中使用了多种注意力机制，包括密集型注意力图、窗口型注意力和多模态注意力汇聚，这有助于模型生成比训练序列更长的序列。

关键观点4: 数据集与实验评估

介绍了StoryStream数据集和现有多模态故事生成数据集的样本数据。实验证明了SEED-Story模型在多模态故事生成方面的先进性。