O Emu3 é um modelo multimodal de última geração treinado apenas com previsão do próximo token, capaz de processar imagens, texto e vídeo. Ele supera vários modelos específicos de ponta em tarefas de geração e percepção, sem precisar de arquiteturas de difusão ou composição. Ao unificar sequências multimodais em um único modelo Transformer, o Emu3 simplifica o design de modelos multimodais complexos e demonstra um enorme potencial de escalabilidade em treinamento e inferência.