智源悟界·Emu3.5发布，开启“下一个状态预测”！王仲远：或开启第三个 Scaling 范式

主要观点总结

智源研究院发布了全球首个原生多模态世界模型悟界·Emu3，实现了图像、文本、视频的大一统。随后发布了悟界·Emu3.5，具备三大特点：理解高层意的人类意图、动态世界模拟和可成为泛化交互基础。该模型采用自回归架构，实现了多模态数据的大一统，可扩展性强。其核心技术包括预训练、大规模原生多模态强化学习和推理加速。智源认为世界模型应具备理解时空、长时序、一致性以及因果推断的能力。此外，文章还介绍了其他相关话题如AICon会议和GPT-5.1的曝光等。

关键观点总结

关键观点1: 智源研究院发布全球首个原生多模态世界模型悟界·Emu3，实现图像、文本、视频的统一处理。

该模型基于下一个token预测，无需扩散模型或组合方法。

关键观点2: 悟界·Emu3.5的发布，具备理解高层级的人类意图、动态世界模拟和泛化交互能力。

它采用自回归架构，具备强大的扩展性。

关键观点3: 悟界·Emu3.5的核心技术包括预训练、大规模原生多模态强化学习和推理加速。

预训练环节消耗了超过10T的Token；大规模原生多模态强化学习实现了统一多任务的处理；推理加速技术提升了模型性能。

关键观点4: 智源认为世界模型应具备理解时空、长时序、一致性以及因果推断的能力。

他们更愿意把悟界·Emu3.5称作为多模态世界大模型。