【ITBEAR】智源研究院近期推出了全新的原生多模態(tài)世界模型——Emu3，該模型在文本、圖像和視頻三種模態(tài)數(shù)據(jù)的理解和生成上展現(xiàn)出卓越能力。其獨(dú)特之處在于，僅需基于下一個token預(yù)測，無需依賴擴(kuò)散模型或組合方法，便能實(shí)現(xiàn)多模態(tài)數(shù)據(jù)的統(tǒng)一處理。Jgt28資訊網(wǎng)——每日最新資訊28at.com

Jgt28資訊網(wǎng)——每日最新資訊28at.com

在圖像生成任務(wù)中，Emu3的表現(xiàn)優(yōu)于SD-1.5與SDXL模型，獲得了人類偏好評測的高度認(rèn)可。同時，在視覺語言理解任務(wù)中，Emu3也展現(xiàn)出了強(qiáng)大的實(shí)力，其對于12項(xiàng)基準(zhǔn)測試的平均得分超越了LlaVA-1.6。在視頻生成任務(wù)中，Emu3同樣表現(xiàn)出色，VBench基準(zhǔn)測試得分高于OpenSora 1.2。Jgt28資訊網(wǎng)——每日最新資訊28at.com

Emu3配備了一個強(qiáng)大的視覺tokenizer，能夠?qū)⒁曨l和圖像轉(zhuǎn)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(wù)提供了更加統(tǒng)一的研究范式。Jgt28資訊網(wǎng)——每日最新資訊28at.com

Jgt28資訊網(wǎng)——每日最新資訊28at.com

Emu3的研究結(jié)果充分證明了下一個token預(yù)測作為多模態(tài)模型范式的強(qiáng)大潛力，它不僅能實(shí)現(xiàn)超越語言本身的大規(guī)模多模態(tài)學(xué)習(xí)，還能在多模態(tài)任務(wù)中取得先進(jìn)性能。目前，Emu3已開源關(guān)鍵技術(shù)和模型，為相關(guān)研究提供了有力支持。Jgt28資訊網(wǎng)——每日最新資訊28at.com

本文鏈接：http://www.www897cc.com/showinfo-16-126514-0.html智源發(fā)布Emu3：原生多模態(tài)世界模型，能否一統(tǒng)圖像文本視頻？

聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com

上一篇： 中國PCT國際專利申請量：連續(xù)五年穩(wěn)坐全球榜首！

下一篇： 索泰辟謠：印尼工廠未量產(chǎn)RTX 5090，視頻實(shí)為4070 Ti Super