本报电  （记者刘峣）近日，北京智源人工智能研究院正式发布原生多模态世界模型Emu3。该模型实现了视频、图像、文本三种模态的统一理解与生成，成功验证了基于下一个token（词元）预测的多模态技术范式，释放其在大规模训练和推理上的潜力。

　　据了解Emu3只基于下一个token预测，无需扩散模型或组合式方法，把图像、文本和视频编码为一个离散空间，在多模态混合序列上从头开始联合训练一个Transformer。

　　智源研究院院长王仲远表示，Emu3为构建多模态通用人工智能提供了广阔的技术前景，有机会将基础设施建设收敛到一条技术路线上，为大规模多模态训练和推理提供基础。未来，多模态世界模型将促进机器人大脑、自动驾驶、多模态对话和推理等场景应用。