由大型語言模型生成影像（image generation from LLMs）

到目前為止，多數多模態模型只讀影像；這一條講的是畫影像。你打出一隻水彩風格的狐狸在雨中讀報，就得到一張圖。語言模型的角色是理解這個要求——包括又長、又細膩、又多段的描述——並引導一個獨立的影像生成器（通常是擴散模型）精準畫出那樣東西。

主要有兩種模式。耦合式裡，語言模型仍是文字模型，把一段豐富的提示、或學到的條件向量，交給擴散生成器去畫像素；語言模型的強項在於把含糊或對話式的要求轉成精確的指令，並跨回合編修。統一式裡，同一個 Transformer 直接預測影像詞元，再由解碼器算繪出來——讓一個模型在單一串流裡交錯文字與圖片，很適合圖文並茂的回答。

這些系統算繪的是看似合理而非真實：數量、影像中的文字、人體結構，以及忠實的局部編修（如只換帽子）都是經典的失敗點；它們還引出文字生成所沒有的著作權、深偽與當事人同意的現實難題。