世界模型有了开源基座Emu3.5！拿下多模态SOTA，性能超越Nano Banana

文章摘要

【关 键 词】 开源模型、多模态AI、世界模型、视频生成、图像编辑

北京智源人工智能研究院最新发布的悟界·Emu3.5标志着开源原生多模态世界模型的重大突破。该模型以34B参数量实现图、文、视频任务的统一处理，其核心突破在于模拟动态物理世界的因果逻辑能力，而非仅追求视觉逼真度。通过第一人称视角漫游3D场景、动态消除手写痕迹等案例，展现出对空间一致性和长时序演变的深度理解。

作为世界模型基座，Emu3.5通过下一状态预测（Next-State Prediction）框架统一各类任务，在10万亿Token的多模态数据（含连续视频帧与文本）上预训练。关键技术突破包括：基于IBQ框架的视觉分词器支持2K分辨率重建，离散扩散适配技术（DiDA）实现20倍推理加速，以及多阶段强化学习对齐系统。这些创新使其在文本渲染、多模态交错生成等任务上超越Gemini-2.5-Flash-Image等标杆模型。

模型展现出两大核心能力：世界探索与具身操作可完成”整理桌面”等分步骤物理任务；视觉指导与复杂编辑能根据草图生成3D打印全流程，或制作分步教学指南。其独特优势在于保持长时序创作的主体一致性，例如将狐狸草图逐步转化为手办时精准保留核心特征，避免风格漂移。

智源研究院宣布将这一突破性模型全面开源，为开发者提供具备物理常识的基础设施。技术报告显示，Emu3.5的潜力不仅限于内容生成，更可能推动具身智能、虚拟现实等领域的范式变革。目前科研内测版已开放申请，其实际表现将验证世界模型在复杂场景中的应用边界。

原文和模型

【原文链接】 阅读原文 [ 1684字 | 7分钟 ]
【原文作者】 量子位
【摘要模型】 deepseek/deepseek-v3-0324
【摘要评分】 ★★☆☆☆

派欧算力云 – AI 云端一体化解决方案: 模型 API、Serverless、GPU 租赁

派欧算力云提供全面的 AI 云端平台解决方案,包括模型 API、Serverless 和高性能 GPU 实例等,帮助您节省高达 50% 的成本,并同时加速 AI 产品的构建和业务发展,助力企业实现创新突破,赢得市场竞争优势。