视觉文本生成方法、模型训练方法、智能体及装置

本公开提供了视觉文本生成方法、模型训练方法、智能体及装置，涉及人工智能技术领域，尤其涉及计算机视觉、深度学习、大模型等技术领域，可应用于基于人工智能的内容生成等场景。具体实现方案为：通过将图像中视觉文字的语言结构信息训练进图像的离散潜空间，并构建一个具备结构理解能力的自回归生成器，从而可以生成图像离散化表征，通过对图像离散化表征进行解码处理，得到包括视觉文字的重建图像，基于图像训练数据中的图像标签和重建图像、以及视觉文字在重建图像中的语言结构信息确定损失函数，基于损失函数进行模型训练，获得训练后的视觉文本生成模型。