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

2025-11-01 05:40:17分类：知识阅读(945)

允中发自凹非寺
量子位 | 公众号 QbitAI

最新最强的世界开源原生多模态世界模型——

北京智源人工智能研究院（BAAI）的悟界·Emu3.5来炸场了。

图、模型文、有开源基视频任务一网打尽，拿下能超不仅能画图改图，多模还能生成图文教程，世界视频任务更是模型增加了物理真实性。

先感受一下它的有开源基高精度操作：一句话消除手写痕迹。

第一视角漫游动态3D世界：

要知道，现在AI迭代的多模速度，正在刷新所有人的世界认知。

尤其是模型在文生视频这条赛道上，几乎每个月都有新技术出来“搞事情”。有开源基

肉眼可见，拿下能超AI视频一个比一个真，多模一个比一个长。

but，先别急着鼓掌——

真正的赛点，早已不是“像不像”，而是“懂不懂”。

它知道桌子上的苹果被拿走后，那里应该变空吗？它明白你转身之后，背后的场景依然存在吗？如果答案是否定的，那再逼真的视频，也不过是“高级的GIF”。

现在，致力于攻克这一终极难题的玩家，终于带着悟界·Emu3.5来了。

从官方放出的demo来看，Emu3.5生成的作品展现出极强的连贯性、逻辑性，尤其让AI模拟动态物理世界的能力又双叒增强了。

它能让你以第一人称视角进入它所构建的虚拟世界。你的每一次移动、每一次转身，它都能动态构建出你下一步应该看到的场景，全程保持空间一致性。

除了上面展示的探索3D游戏世界，还能第一视角参观阳光下的客厅：

在火星上开卡丁车也很丝滑：

由于掌握了世界运行的内在规律，它不仅能像专业设计师一样，进行高精度、可控的图像编辑：

还能像拍电影一样，生成图文并茂的视觉故事：

从测评成绩来看，悟界·Emu3.5的表现也极其亮眼——在多项权威基准上，性能媲美甚至超越了Gemini-2.5-Flash-Image，没错，就是那个Nano Banana，在文本渲染和多模态交错生成任务上优势尤其显著。

Emu3.5的命名，就揭示了它的定位：世界模型基座

顾名思义，它要做的是世界模型的基础模型，这等于是在AI领域开辟了一条全新的赛道。

那么，这样一个被寄予厚望的模型究竟有多强？来看更多案例。

这是Emu3.5最核心、最能体现其“世界模型基座”本质的能力。它能像一个智能体（Agent）一样，理解长时序、空间一致的序列，模拟在虚拟世界中的探索和操作。

比如下面这个“整理桌面”的任务，就是通过以下指令一步步实现的：

正因为掌握了动态世界演变规律，Emu3.5尤为擅长提供具有连贯性和指导意义的视觉内容。

当给了Emu3.5一张狐狸的草图，并给出一系列指令“把它变成3D模型、3D打印出来、再上色”后，它直接一步步生成了从草图到最终手办形态的完整视觉流程。整个过程中，狐狸的核心特征和神态都得到了完美保留，扛住了长时程创作的挑战。

这种能力让它还能生成分步教学指南，手把手教你做菜、画画、种菜：

同时，它也支持多图、多轮指令的复杂图像编辑，主体一致性、风格保持能力达到业界顶尖水平。

敲黑板，由于Emu3.5本身就在海量的互联网视频上进行预训练，所以它天生就具备理解时空连续性的能力，能够生成长时序、逻辑一致的序列，而不会出现风格漂移或事实错乱。

为了构建Emu3.5，智源这次在技术方面也是进行了一系列创新和突破。

Emu3.5参数量仅34B，整个模型以标准的Decoder-only Transformer为框架，单一模型能够同时完成视觉叙事、视觉引导、图像编辑、世界探索、具身操作等多种任务。

它将所有任务都统一为下一State预测（Next-State Prediction）任务，无论是文本还是图像，都被一个强大的多模态分词器（Tokenizer）转换成离散的Token序列。

海量视频数据预训练
模型在超过10万亿Token的多模态数据上进行训练，其中主力是来自互联网视频的连续帧和转录文本。这使得模型从一开始就沉浸式学习时空连续性和因果关系。
强大的分词器
视觉分词器（Tokenizer）基于IBQ框架，拥有13万的视觉词汇表，并集成了扩散解码器，能实现高达2K分辨率的高保真图像重建。
多阶段对齐
在预训练之后，模型经过了大规模的有监督微调（SFT）和大规模多模态强化学习（RL），使用一个包含通用指标（如美学、图文对齐）和任务特定指标（如故事连贯性、文本渲染准确率）的复杂奖励系统进行优化。
推理加速黑科技
为了解决自回归模型生成图像慢的问题，团队提出了离散扩散适配（DiDA）技术，它能将逐个Token的生成方式转变为并行的双向预测，在不牺牲性能的前提下，使每张图像的推理速度提升近20倍。