北京智源发布Emu3.5:统一的多模态世界模型预测下一个世界状态

北京智源研究院宣布推出Emu3.5,这是一种将图像、文本和视频统一为标记的多模态世界模型,通过预测下一个标记(下一状态预测,NSP)进行训练。Emu3.5旨在捕捉空间关系、时间动态和物理因果性,使模型能够跨模态预测“世界的下一秒”,而不是将图像、文本和视频单独处理。

北京智源研究院宣布推出Emu3.5,这是一种将图像、文本和视频统一为标记的多模态世界模型,通过预测下一个标记(下一状态预测,NSP)进行训练。Emu3.5旨在捕捉空间关系、时间动态和物理因果性,使模型能够跨模态预测“世界的下一秒”,而不是将图像、文本和视频单独处理。