人工智能领域迎来重要突破，智源研究院近日正式推出“悟界 EMU3.5”多模态世界大模型。这一成果被视为行业迈向新阶段的关键标志，尤其在大语言模型文本能力发展趋缓、寻求新突破的背景下，多模态技术成为备受瞩目的方向。
多模态技术发展面临的核心难题，是如何有效融合文本、图像、视频等不同类型的数据。目前行业内存在两条主要技术路径：一条是DiT架构，在文生图、文生视频等生成任务中表现优异；另一条是以智源Emu系列为代表的“原生多模态”架构，试图从基础层面构建统一处理所有模态的模型。
EMU3.5的发布被认为开启了人工智能从“语言学习”向“多模态世界学习”转变的新纪元。该模型在技术路径上延续了Emu系列的原生多模态理念，采用统一的自回归架构，将文本、图像、视频等数据统一转化为Token进行预测。这种设计在理论上实现了模态统一，但过去面临推理效率低下的问题——生成图像时需逐个Token输出，速度远慢于并行生成的Diffusion模型。
为解决这一瓶颈，研发团队提出“DiDA（离散扩散自适应）”技术。这项创新允许自回归模型在推理阶段并行预测大规模Token，显著提升生成效率。据测试，在保持性能不变的前提下，图像生成速度提升近20倍，首次使自回归架构达到与顶尖闭源扩散模型相当的水平。这一突破为原生多模态路线的实际应用扫清了关键障碍。
效率问题解决后，规模化发展成为可能。EMU3.5通过大幅增加模型参数和训练数据验证了多模态领域的“规模定律”：参数规模从80亿跃升至340亿，训练视频数据时长从15年增至790年。基于这一实践，研发团队提出“第三种Scaling范式”，其核心优势包括：统一的自回归架构为规模化提供基础；可复用现有语言模型训练基础设施；首次在多模态领域引入大规模强化学习技术。
该模型的技术升级不仅体现在规模扩张，更在于核心范式的转变——从“预测下一个Token”升级为“预测下一个状态”。这一转变要求模型理解事物背后的因果关系和物理规律，而非简单续写数据。例如，当输入“叠衣服”指令时，模型能生成包含完整步骤的机器人操作序列；在图案推理任务中，模型需先理解规律才能生成正确结果；面对建筑正面图转换俯视图的需求，模型需构建三维空间关系模型。
这种“预测状态”的能力为具身智能发展提供了新路径。当前机器人训练面临真实数据匮乏的困境，而EMU3.5可通过模拟物理世界生成高质量训练数据。测试显示，在未见过的新场景中，搭载该模型的机器人任务成功率从0%提升至70%，表明其具备理解、规划和泛化的核心智能，可担任具身智能的“大脑”角色。
