智源研究院近期推出了全新的原生多模態世界模型——Emu3，該模型在文本、圖像和視頻三種模態數據的理解和生成上展現出卓越能力。其獨特之處在于，僅需基于下一個token預測，無需依賴擴散模型或組合方法，便能實現多模態數據的統一處理。
在圖像生成任務中，Emu3的表現優于SD-1.5與SDXL模型，獲得了人類偏好評測的高度認可。同時，在視覺語言理解任務中，Emu3也展現出了強大的實力，其對于12項基準測試的平均得分超越了LlaVA-1.6。在視頻生成任務中，Emu3同樣表現出色，VBench基準測試得分高于OpenSora 1.2。
Emu3配備了一個強大的視覺tokenizer，能夠將視頻和圖像轉換為離散token，這些token可以與文本tokenizer輸出的離散token一同送入模型中。這一特性為Any-to-Any任務提供了更加統一的研究范式。
Emu3的研究結果充分證明了下一個token預測作為多模態模型范式的強大潛力，它不僅能實現超越語言本身的大規模多模態學習，還能在多模態任務中取得先進性能。目前，Emu3已開源關鍵技術和模型，為相關研究提供了有力支持。
