智源研究院发布Emu3.5多模态大模型，引领人工智能迈向物理世界交互新纪元
【免费下载链接】Emu3.5 
项目地址: https://ai.gitcode.com/BAAI/Emu3.5
2025年10月30日，北京智源研究院举办的"悟界•Emu系列技术交流会"上，该院院长王仲远与多模态大模型负责人王鑫龙共同发布了Emu3.5多模态世界大模型。这一突破性成果不仅标志着人工智能技术从单一语言学习向多模态世界认知的重大跨越，更开创性地确立了多模态Scaling的全新发展范式。作为"悟界"系列的核心成员，Emu3.5的诞生被业内视为AI加速打通数字与物理世界边界的关键里程碑。
回望2024年10月，智源研究院推出的全球首个原生多模态世界模型Emu3已引发技术社区轰动。该模型凭借纯自回归架构实现了图像、文本、视频的统一建模，完全摒弃传统扩散模型或组合式方法，仅通过下一个token预测任务就达成多模态处理的大一统。时隔一年，Emu3.5在此基础上实现范式升级，创新性地提出"Next-State Prediction (NSP)"学习框架，通过模拟人类自然认知过程，使自回归模型具备对多模态序列的状态演进预测能力，从而获得可泛化的世界建模能力。王仲远在发布会上强调："Emu3验证了自回归架构构建多模态大一统体系的技术可行性，而Emu3.5则真正开启了多模态Scaling的全新时代。更具战略意义的是，它为通用人工智能（AGI）的实现铺设了可量化、可验证的实践路径，使AI系统理解并交互物理世界成为可能。"
Emu3.5的技术突破建立在超大规模的多模态数据训练基础之上。模型训练数据总量突破10万亿token，其中视频数据时长从Emu3的15年当量跃升至790年当量，参数量也从80亿扩展至340亿，全面验证了原生多模态Scaling范式的有效性。在推理效率优化方面，研发团队创新提出"离散扩散自适应"（Discrete Diffusion Adaptation，DiDA）技术，通过混合推理预测机制，在保持生成质量的前提下将单张图像推理速度提升近20倍，首次实现自回归模型生成效率媲美顶尖闭源扩散模型的历史性突破。王鑫龙对此解释道："Emu3.5成功攻克了原生多模态领域的大规模预训练、强化学习及高效推理三大技术难关，构建了一套简洁可扩展的多模态世界模型Scaling方案。"
该模型展现出的三大核心能力标志着AI系统对现实世界的认知达到新高度。首先是意图-规划闭环能力，能够深度解析"如何建造宇宙飞船"或"制作咖啡拉花"等高层级人类意图，并自主生成连贯详细的多步骤行动方案。其次是动态世界模拟能力，在统一框架内融合世界理解、规划与模拟功能，可精准预测物理动态变化、时空演进规律及长时程因果关系。最后是泛化交互基础能力，其涌现的因果推理与规划能力为AI系统实现具身操控等物理世界交互提供了关键认知支撑。这些能力的融合使新一代世界模型实现从"理解"到"行动"的全链路智能，既能生成精细化行动指南、完成复杂图文编辑，又具备物理直觉以开展多场景探索任务。
在实际应用场景中，Emu3.5展现出令人瞩目的多模态处理能力。文图生成任务中，模型可根据文本指令精准控制视觉元素生成，体现出基于深层视觉理解的创作能力；多模态指导任务中，输入"制作芹菜饺子"等生活指令，系统能输出步骤清晰、图文并茂的操作指南，展现卓越的时序逻辑与步骤推理能力；多模态叙事领域，模型可围绕任意主题构建沉浸式故事体验，释放创意内容生产的无限可能。在具身智能领域，Emu3.5已实现跨场景的机器人动作规划，如仅需"叠衣服"简单指令即可自主拆解任务并生成精准的机器人操作序列。图文编辑方面，模型支持自然语言驱动的任意图像编辑与时空变换，保持物体与场景的一致性，实现文字与视觉内容的自然融合与高保真呈现。
权威基准测试数据显示，Emu3.5在多项多模态任务中性能超越当前主流闭源模型，展现出强大的技术竞争力。王仲远在总结发言中指出，从第一性原理审视大模型发展趋势，AI的下一次技术跃迁将源于模型对现实世界的深层表征能力与可泛化行动指导能力的协同提升。智源研究院期待与全球科研机构及产业伙伴深化合作，共同开拓多模态世界大模型的产业应用，携手探索通往AGI的技术演进之路。
随着Emu3.5的正式发布，人工智能行业正迎来从数字内容处理向物理世界交互的战略转型期。该模型构建的技术范式不仅推动多模态大模型进入Scaling新阶段，更为智能系统理解复杂现实世界、执行精准物理交互提供了全新方法论，有望在智能制造、智能机器人、AR/VR等领域催生颠覆性应用，加速人类社会迈向通用人工智能时代的进程。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
