头图来源:智源研究院 10 月 30 日,智源研究院正式发布了“悟界 EMU3.5”多模态世界大模型。 在当前大语言模型(LLM)的文本能力逐渐触顶、行业普遍寻求新突破口的背景下,多模态被视为人工智能的下一个重要方向。 然而,如何有效融合文本、图像、视频等不同模态的数据,一直是业界面临的难题。 长期以来,多模态领域存在两种不同的技术路径:一种是DiT(Diffusion Transformer)架构,在文生图、文生视频等生成任务上表现出色;另一种则是以智源 Emu 系列为代表的“原生多模态”架构,尝试从一开始就用统一的模型处理一切。 智源研究院院长王仲远在发布会上表示,EMU3.5 的发布,标志着人工智能从“语言学习”向“多模态世界学习”演进的新纪元,并率先指明了多模态 Scaling(规模化)的新范式。 从一年前验证技术路线的 Emu3,到今天宣称“开启新纪元”的 EMU3.5,智源究竟解决了什么关键问题?这背后又体现了怎样的技术思路? 一、 补齐核心短板:从“统一”到“高效” 多模态 AI 的核心挑战之一,是如何建立一个“大一统”的模型。 行业中常见的做法,是将不同
ARTICLE
/
极客公园
语言模型之后,智源 EMU3.5 找到了 AI 的「第三种 Scaling 范式」
2025年11月01日 10:11 · 来自 极客公园