搞定图像+文本+视频大一统！智源发布多模态世界模型Emu3：下一个token预测直通AGI

AIGC动态欢迎阅读

原标题：搞定图像+文本+视频大一统！智源发布多模态世界模型Emu3：下一个token预测直通AGI
关键字：模型,视觉,数据,图像,视频
文章来源：智东西
内容字数：0字

内容摘要：

下一个token预测，通向多模态AGI。
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。
图注：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优于LlaVA-1.6。在视频生成任务中，

原文链接：搞定图像+文本+视频大一统！智源发布多模态世界模型Emu3：下一个token预测直通AGI