L'Institut de recherche en intelligence artificielle de Beijing Zhiyuan a annoncé le lancement d'Emu3, un modèle mondial multimodale natif. Ce modèle, basé sur la technologie de prédiction du jeton suivant, est capable de comprendre et de générer des données de trois modalités : texte, image et vidéo, sans recourir à des modèles de diffusion ou à des méthodes combinées. Emu3 surpasse les modèles open source connus actuels, tels que SDXL, LLaVA et OpenSora, dans des tâches telles que la génération d'images, la génération de vidéos et la compréhension du langage visuel, démontrant ainsi des performances exceptionnelles.