LeCun预言成真！790年长视频，炼出最强开源「世界模型」

主要观点总结

北京智源研究院发布了多模态世界模型Emu3.5，它采用统一的自回归架构，通过学习蕴含了长时程、高一致性等世界知识的长视频数据，实现了对多模态世界的原生理解与生成。模型通过大规模预训练和大规模多模态强化学习，实现了Scalings的第三种范式。同时，它具有出色的生成和编辑能力，能够理解高层语义、数字和空间，并展现出强大的视觉叙事、视觉指导、世界探索和具身操作能力。智源研究院以开放的姿态邀请全球社区共同探索这一新的技术路径。

关键观点总结

关键观点1: 多模态世界模型Emu3.5的发布

北京智源研究院发布了其悟界·Emu系列的最新成果——Emu3.5，这是一个多模态世界模型，具有强大的生成和编辑能力。

关键观点2: Emu3.5的技术特点

Emu3.5采用统一的自回归架构，能够像人一样从连续、长时程的视觉经验中学习，用统一的自回归架构实现了对多模态世界的原生理解与生成。

关键观点3: Emu3.5的数据来源

Emu3.5的学习数据主要是来自互联网的长视频，这些数据包含了丰富的时空连续性、因果逻辑和上下文一致性，是理解世界模型的绝佳养料。

关键观点4: 第三种Scaling范式的实践

通过大规模预训练和大规模多模态强化学习，Emu3.5实现了继语言模型预训练、后训练之后的「第三种Scaling范式」。随着模型参数、视频数据和算力的增加，多模态世界模型的能力将持续提升。

关键观点5: Emu3.5的出色表现

Emu3.5在图像生成、编辑、高层语义理解、数字与空间理解、视角变换等方面都表现出了出色的能力，甚至在视觉叙事、视觉指导、世界探索和具身操作等任务上的表现超越了其他生成模型。