Newest papers

Text-to-Image Generative Modeling Without Language Pretraining

Keshigeyan Chandrasegaran, Yue Zhao, Armin W. Thomas, Ehsan Adeli, Jiajun Wu, Juan Carlos Niebles, Li Fei-Fei, Michael Poli · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26863 · cited by 0 works (OpenAlex) · open-access PDF

Arabic

ونحن نتساءل ما إذا كان التدريب المبكر للغة ضروريًا لإنتاج T2I قويًا؟ نقدم Halcyon، عائلة من النماذج المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المتعددة الأبعاد المت

Machine translation (Meta M2M100); the English original follows.

Abstract

Modern text-to-image (T2I) systems use internet-scale language pretraining for text-conditioned image generation. We ask whether language pretraining is necessary for strong T2I generation. We introduce Halcyon, a family of early-fusion multimodal autoregressive models pretrained entirely from scratch on GPIC, a dataset of 100M image-text pairs. Halcyon-0.52B outperforms LlamaGen-XL/8 (48.0 vs. 63.3 gFD) with 18.2$\times$ less pretraining compute. Further, Halcyon-1.6B outperforms JiT-T2I-XXL/8++ (35.3 vs. 41.0 gFD) with 275$\times$ less pretraining compute. Controlled experiments show that text-only pretraining does not improve T2I generation. Halcyon also learns image captioning by replacing caption dropout with I2T supervision, maintaining competitive T2I generation quality under the same pretraining budget. We show that strong T2I systems can be trained from scratch without internet-scale language pretraining. Code and models are available at https://cs.stanford.edu/~keshik/halcyon

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Closed captioning, Computer science, Artificial intelligence, Scratch, Natural language processing, Language model

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange