本報電  （記者劉峣）近日，北京智源人工智能研究院正式發布原生多模態世界模型Emu3。該模型實現了視頻、圖像、文本三種模態的統一理解與生成，成功驗証了基於下一個token（詞元）預測的多模態技術范式，釋放其在大規模訓練和推理上的潛力。

　　據了解Emu3隻基於下一個token預測，無需擴散模型或組合式方法，把圖像、文本和視頻編碼為一個離散空間，在多模態混合序列上從頭開始聯合訓練一個Transformer。

　　智源研究院院長王仲遠表示，Emu3為構建多模態通用人工智能提供了廣闊的技術前景，有機會將基礎設施建設收斂到一條技術路線上，為大規模多模態訓練和推理提供基礎。未來，多模態世界模型將促進機器人大腦、自動駕駛、多模態對話和推理等場景應用。

分享讓更多人看到