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

AIGC动态欢迎阅读

原标题：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
关键字：模型,视觉,数据,图像,视频
文章来源：机器之心
内容字数：0字

内容摘要：

机器之心发布
机器之心编辑部OpenAI 前首席科学家、联合创始人 Ilya Sutskever 曾在多个场合表达观点：只要能够非常好的预测下一个 token，就能帮助人类达到通用人工智能（AGI）。
虽然，下一 token 预测已在大语言模型领域实现了 ChatGPT 等突破，但是在多模态模型中的适用性仍不明确，多模态任务仍然由扩散模型（如 Stable Diffusion）和组合方法（如结合 CLIP 视觉编码器和 LLM）所主导。
2024 年 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。在图像生成任务中，基于人类偏好评测，Emu3 优于 SD-1.5 与 SDXL 模型。在视觉语言理解任务中，对于 12 项基准测试的平均得分，Emu3

原文链接：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