Emu3.5 – 智源研究院推出的多模态世界大模型

Emu3.5是什么

Emu3.5（悟界·Emu3.5）是智源研究院发布的多模态世界大模型。通过在超过10万亿多模态Token（主要源自互联网视频，总时长约790年）上进行端到端预训练，学习并内化了现实物理世界的动态规律，具备原生的世界建模能力。模型基于一个34B的稠密Transformer架构，采用“下一状态预测”目标，实现文本、图像、视频三种模态数据的理解和生成大一统。Emu3.5具有多项创新和突破。提出了离散扩散自适应（DiDA）技术，将图像生成速度提升了近20倍，解决了自回归模型在图像生成上的速度瓶颈。在视觉叙事、视觉指导、通用图像编辑与生成、世界建模与探索等任务上展现了强大的能力，能生成图文并茂的故事、分步教程、高质量图像，并进行虚拟环境中的连续视觉序列生成和复杂机器人操作任务分解。

Emu3.5的主要功能

多模态内容生成：能生成高质量的图文内容，包括图像、文本以及两者的组合，适用于广告、影视、游戏等创意内容创作领域。
视觉叙事：可以围绕任意主题生成沉浸式的图文故事，逻辑连贯且画面风格统一，为教育、娱乐等领域提供新的叙事方式。
视觉指导：生成分步的、带有视觉示例的教程，直观展示操作过程，如绘画、手工制作等，帮助用户更清晰地理解和执行任务。
通用图像编辑与生成：在图像编辑任务上表现出色，能够实现开放世界的编辑和时空操作，文字渲染的准确性和自然度也超越了现有领先模型。
世界建模与探索：能生成在虚拟环境中连续移动的视觉序列，保持场景的几何、语义和外观一致性，可用于虚拟现实、游戏开发等领域。
具身操作：将复杂的机器人操作任务分解为一系列带有语言指令和关键帧图像的子任务，为训练更通用的具身智能体提供基础，推动机器人技术的发展。

Emu3.5的技术原理

原生多模态架构：基于一个34B的稠密Transformer模型，通过“下一状态预测”（Next-State Prediction）目标，实现文本、图像、视频三种模态数据的统一理解和生成，打破了模态之间的界限。
大规模预训练：在超过10万亿多模态Token的数据上进行端到端预训练，这些Token主要源自互联网视频及其对应的语音转录文本，视频总时长约790年。这种大规模的预训练使模型能够学习现实世界的物理动态和因果规律。
离散扩散自适应（DiDA）技术：为解决自回归模型在图像生成速度上的瓶颈，提出DiDA技术，将图像生成速度提升了近20倍，同时保持生成质量，弥合了自回归模型与扩散模型之间的差距。
监督微调：在包含1500亿样本的高质量数据集上进行微调，覆盖多种复杂任务，建立统一的多模态交互接口，提升模型对具体指令的理解和执行能力。
大规模多模态强化学习：构建复杂的多维度奖励系统，同时评估生成内容的美学质量、图文对齐度、叙事连贯性等多个指标，通过强化学习进一步提升模型的多模态推理和生成质量。