El Instituto de Inteligencia Artificial de Beijing anuncia el lanzamiento de Emu3, un modelo mundial multimodal nativo. Este modelo, basado en la tecnología de predicción del siguiente token, puede comprender y generar datos de tres modalidades: texto, imagen y vídeo, sin necesidad de modelos de difusión o métodos combinados. Emu3 supera a modelos de código abierto conocidos como SDXL, LLaVA y OpenSora en tareas de generación de imágenes, generación de vídeo y comprensión del lenguaje visual, mostrando un rendimiento excepcional.