XNews

北京アカデミー、次の瞬間を予測するEmu3.5マルチモーダル世界モデルを発表

北京アカデミー、次の瞬間を予測するEmu3.5マルチモーダル世界モデルを発表

北京アカデミーのEmu3.5は、テキスト、画像、動画をトークンとして統合し、次の状態予測(NSP)としてトレーニングを構築するマルチモーダル世界モデルです。このモデルは、次の世界状態トークン(視覚的または言語的)を予測します。Emu3.5は、空間関係、時間的オブジェクトの動態、マルチモーダルの連続性を学習することに重点を置いており、画像、テキスト、動画を個別に扱うのではなく、さまざまなモダリティにわたって「世界の次の瞬間」を予測します。

Source posts