北京智源人工智能研究院は、次世代マルチモーダル世界モデルEmu3を発表しました。このモデルの最大の特徴は、次のトークンの予測能力のみで、テキスト、画像、ビデオという3つの異なるモーダルにおける理解と生成を可能にする点です。画像生成において、Emu3はビジュアルトークンの予測に基づいて高品質な画像を生成できます。これにより、ユーザーは柔軟な解像度と多様なスタイルを期待できます。ビデオ生成においては、Emu3は他のモデルとは異なる、全く新しい方法で動作します。