科金社2026年02月02日 13:20消息，智源多模态大模型Emu3登《自然》，展现前沿AI研究成果。
1月28日，北京智源研究院主导的多模态大模型成果“Emu3”正式上线国际顶级学术期刊《自然》正刊（纸质版预计将于2月12日刊发），这是我国科研机构主导的大模型成果首次登上该期刊，标志着我国在人工智能原始创新领域实现了重要突破。 这一成果不仅体现了我国在人工智能基础研究方面的实力提升，也展现了中国科研团队在全球科技竞争中日益增强的影响力。随着技术的不断进步，中国在关键领域的自主创新能力和国际话语权正在稳步提升，未来有望在更多前沿科技领域取得引领性成果。
此前，语言大模型通过“预测下一个词元”（NTP）的自回归方法取得了重大进展，但多模态模型仍主要依赖对比学习、扩散模型等特定方法。自回归是否能成为多模态领域的通用路线，一直是业界尚未解决的难题。智源团队提出的Emu3模型，将文本、图像和视频统一映射到相同的表示空间，采用单一的Transformer架构从头开始进行联合训练，仅依靠“预测下一个词元”的方式，就实现了多模态生成与感知的统一。
实验显示，Emu3在文本到图像生成任务中表现出与扩散模型相当的性能，其视觉语言理解能力可与CLIP及大语言模型的结合方案相媲美，同时还能以纯自回归的方式生成高质量视频，支持视频扩展、图文混合生成以及机器人操作建模等多种任务。《自然》杂志编辑评论指出，该成果在构建可扩展、统一的多模态智能系统方面具有重要价值。
值得关注的是，该团队通过大规模消融实验验证了多模态学习的规模规律，证实直接偏好优化（DPO）能够有效适配自回归视觉生成。后续升级的Emu3.5版本实现了“预测下一个状态”的能力突破，展现出更强的泛化世界建模能力。
作为“悟界”大模型系列的核心成果，Emu3的突破确立了自回归方法在生成式AI中的统一地位。自2020年起，智源研究院启动“悟道”大模型的研究，持续致力于原始创新，此次成果进一步体现了我国在人工智能基础研究领域的国际竞争力。
留言评论
(已有 0 条评论)暂无评论，成为第一个评论者吧！