Emu3は最新のマルチモーダルモデルであり、次のトークンの予測のみを用いた訓練によって、画像、テキスト、ビデオの処理が可能です。生成タスクと知覚タスクにおいて、複数の特定タスク向けフラッグシップモデルを凌駕し、拡散モデルや複合アーキテクチャを必要としません。Emu3はマルチモーダルシーケンスを単一のトランスフォーマーモデルに統合することで、複雑なマルチモーダルモデル設計を簡素化し、訓練と推論プロセスにおける拡張性の高い可能性を示しています。