Unified Multimodal Understanding via Byte-Pair Visual Encoding 标题来看，通过 字节对视觉编码 实现统一的多模态理解，嗯抽象 论文核心思想，是把自然语言中的BPE（Byte-Pair Encoding）分词技术应用于视觉领域[传统的是利用视觉编码器（CLIP）]，从而为图像文字共同创建一…