智源研究院发布全球最强多模态世界模型Emu3.5 一键预测真实世界“下一秒”！

12月4日，北京智源人工智能研究院正式发布新一代多模态大模型Emu3.5，被称为“真正懂物理世界的AI”。与过去图像、视频、文本模型各自独立不同，Emu3.5首次实现“世界级统一建模”，让AI从“会画画、会写字”升级到真正“懂世界”。

传统AI的关键短板：不懂物理、不懂因果  

过去大多数图像生成模型虽然看起来很逼真，却缺少对真实世界规律的理解：物体不会无故漂浮，重力、碰撞、运动轨迹在它们眼里几乎是“黑箱”。就算是顶级视频生成模型，也常会出现动作突兀、逻辑断层的问题。根源在于：它们学到的是“像素表面”，而不是“世界运转的规则”。

Emu3.5的核心突破：预测“世界的下一秒”  

Emu3.5彻底改变了这一点。研究团队把图像、文本、视频统一编码为同一种Token序列，模型只做一个最纯粹的任务——NSP（Next State Prediction，预测下一个世界状态）。

通俗来说：  

– 不管输入是图片、文字还是视频帧，在Emu3.5看来都是“世界当前状态”的不同表达；  

– 模型始终只做一件事：预测“下一秒世界会如何变化”；  

– 下一秒可能是文字→自动续写对白；  

– 下一秒可能是画面→自动生成合理动作；  

– 下一秒也可能同时包含视觉+语言的变化→推演完整的世界演化。

统一Token化：图像、文字、视频彻底打通  

Emu3.5最大的技术亮点，是把所有模态统一成同一套“世界积木”。模型不再区分“这是一张图”“这一句话”或“视频的一帧”，所有信息都被离散为Token序列。依靠海量数据训练，模型学会了跨模态的因果关系与物理常识，真正具备了“世界级理解力”。

从“像素搬运工”到“世界模拟器”  

业内专家认为：Emu3.5标志着多模态大模型从“生成时代”迈入“世界模型时代”。未来基于Emu3.5，不仅能生成更自然的长视频、实现交互式图像编辑，还可能直接用于机器人具身智能、自动驾驶仿真、现实物理预测等更高阶场景。

独家点评  

当很多厂商还在卷参数、卷分辨率、卷视频时长时，北京智源把问题拉回到本质——“AI是否真正理解世界”。Emu3.5用最简单的“预测下一个Token”统一了所有模态，却带来了最深层的能力跃迁：从“像”到“对”。这一次，中国团队用原创范式引领了全球AI的新方向。

真正的世界模型，已经到来。  

你准备好迎接“可预测的下一秒”了吗？

官网地址：https://zh.emu.world/pages/web/landingPage

体验地址：https://zh.emu.world/pages/web/login