智源研究院近期推出了全新的原生多模态世界模型——Emu3，该模型在文本、图像及视频的理解与生成领域实现了显著突破。Emu3的创新之处在于，它仅需基于下一个token的预测，便能高效处理三种模态数据，无需依赖扩散模型或组合方法。
在图像生成方面，Emu3的性能超越了SD-1.5与SDXL模型；在视觉语言理解上，它则优于LlaVA-1.6；而在视频生成领域，Emu3的表现同样出色，超过了OpenSora 1.2。Emu3还具备强大的视觉tokenizer功能，能将视频和图像转换为离散token，与文本tokenizer输出的token共同送入模型处理。
研究表明，通过将复杂的多模态设计简化为token本身，Emu3在大规模训练和推理中展现出了巨大的潜力。目前，Emu3的关键技术和模型已经开源，项目页面也已正式上线。
对于研究人员而言，Emu3提供了一个统一的研究范式，值得深入探索。
