2025年10月31日，北京智源人工智能研究院（BAAI）正式发布开源多模态世界模型——悟界·Emu3.5，以"理解世界运行规律"为核心突破，重新定义了AI对物理现实的认知边界。这款模型不仅在图文视频生成领域全面领跑，更开创性地实现了动态物理世界的连贯模拟，其性能已超越Google Gemini-2.5-Flash-Image（Nano Banana），为智能体开发与虚拟交互开辟全新范式。
【免费下载链接】Emu3.5 
项目地址: https://ai.gitcode.com/BAAI/Emu3.5
当前AI生成技术正经历从"形似"到"神似"的关键转型。尽管文生视频技术已实现分钟级时长与高保真画质，但多数模型仍停留在帧间拼接层面，无法理解"苹果被拿走后桌面会变空"这类基础物理逻辑。Emu3.5的问世直指这一行业痛点，通过构建具备时空一致性的世界模型基座，使AI首次具备"长期记忆"与"空间推理"能力。
从官方披露的技术演示看，Emu3.5展现出三大突破性能力：其一，支持第一人称视角的3D世界连续探索，用户在虚拟空间中的移动、转向等操作均能触发场景的动态更新，全程保持物理空间的逻辑自洽；其二，实现高精度图像编辑与多模态叙事生成，可完成从草图到3D手办的全流程设计；其三，具备长时序任务规划能力，能理解并执行"整理桌面"等多步骤具身操作指令。
如上图所示，该界面直观呈现了Emu3.5的精细化编辑能力。用户仅需自然语言指令即可精准消除手写痕迹，这一功能不仅展示了模型对视觉元素的精准把控，更为文档处理、设计修改等实际应用场景提供了高效解决方案。
在空间探索场景中，Emu3.5构建的虚拟环境展现出惊人的沉浸感。无论是第一视角漫游3D游戏世界，还是在阳光下的客厅中自由转动观察，模型都能实时渲染出符合物理规律的光影变化与空间透视。更令人瞩目的是"火星卡丁车"演示，车辆行驶时的惯性模拟、地形起伏的颠簸反馈，均达到专业游戏引擎的表现水准，这标志着AI已从静态画面生成跃迁至动态物理引擎级别。
高精度可控生成是Emu3.5的另一大亮点。在图像编辑任务中，模型能精准识别并替换复杂场景中的特定对象，且保持整体画面的风格统一。技术团队特别展示了"从草图到产品"的全流程创作：输入简单动物线稿后，Emu3.5可依次生成3D模型、3D打印指导、上色方案，全程保持角色特征的一致性。这种能力已延伸至多模态教程生成领域，用户可获得从食材处理到成品摆盘的烹饪全流程视觉指南。
该图片清晰展示了Emu3.5的目标对象编辑功能。通过精确识别场景中编号为"4"的物体并替换为电影海报，模型不仅完美融合新元素的光影效果，更保持了画面整体的空间透视关系。这一技术突破使AI从简单的图像生成工具进化为具备专业设计能力的创意助手。
技术架构上，Emu3.5采用34B参数的Decoder-only Transformer架构，创新性地将所有任务统一为"下一State预测"（Next-State Prediction）框架。通过13万词汇量的多模态分词器（基于IBQ框架），模型可将图文视频等异构数据转化为离散Token序列，在10万亿Token的海量视频数据（含连续帧与转录文本）上完成预训练。这种设计使模型从根本上理解时空连续性，而非依赖后期帧间插值。
为解决生成效率问题，研发团队开发了离散扩散适配（DiDA）技术，将传统自回归生成转换为并行双向预测，使图像生成速度提升20倍。在对齐阶段，模型通过大规模有监督微调（SFT）与多模态强化学习（RL），融合美学评分、图文一致性等多维指标进行优化，最终实现精度与效率的双重突破。
作为开源世界模型基座，Emu3.5的开放将彻底改变AI研发生态。开发者可直接基于该模型构建具备物理常识的智能体，应用场景涵盖虚拟试穿、数字孪生、智能交互等领域。目前项目已开放科研内测申请，技术报告与项目主页同步上线，完整代码与模型权重将分阶段向学术界开放。
Emu3.5的发布标志着AI正式进入"世界理解"时代。当模型能够自主推理物理规则、保持空间记忆、规划长时序任务时，真正的通用人工智能便不再遥远。这款开源基座不仅为行业提供了性能领先的技术工具，更指明了"从数据拟合到规律认知"的发展路径。未来随着开发者生态的完善，我们或将见证虚拟与现实边界逐渐消融的全新智能时代。
（注：项目代码仓库地址为https://gitcode.com/BAAI/Emu3.5，科研人员可通过官方渠道申请技术白皮书与内测权限。）
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
