Presentiamo un'anteprima della ricerca di Self-Flow: un approccio scalabile per l'addestramento di modelli generativi multi-modali. La generazione multi-modale richiede un apprendimento end-to-end attraverso le modalità: immagine, video, audio, testo - senza essere limitati da modelli esterni per l'apprendimento della rappresentazione. Self-Flow affronta questo con un abbinamento di flusso auto-supervisionato che scala in modo efficiente attraverso le modalità. Risultati: • Fino a 2,8 volte più veloce convergenza tra le modalità. • Maggiore coerenza temporale nel video • Rendering del testo e tipografia più nitidi Questa è una ricerca fondamentale per il nostro percorso verso l'intelligenza visiva multimodale.