视频、图像、文本，只需基于下一个Token预测：智源Emu3发布，验证多模态模型新范式

10月21日，智源研究院正式发布原生多模态世界模型 Emu3。该模型只基于下一个 token 预测，无需扩散模型或组合方法，即可完成文本、图像、视频三种模态数据的理解和生成。Emu3 在图像生成、视频生成、视觉语言理解等任务中超过了 SDXL 、LLaVA、OpenSora 等知名开源模型，但是无需扩散模型、CLIP 视觉编码器、预训练的 LLM 等技术，只需要预测下一个 token。目前 Emu3 已开源了关键技术和模型。（机器之心）