跳到正文

Emu3

用下一个 token 预测统一处理图像、文本与视频

访问官网
分类 AI模型

Emu3 是什么

Emu3 被介绍为一套仅靠下一个 token 预测训练的多模态模型,把图像、文本和视频统一到单一的 transformer 模型里。

你可以用它做什么

  • 以灵活的分辨率和风格生成图像
  • 通过预测序列中下一个 token 生成视频
  • 从给定的视频上下文自然扩展片段

模型要点

  • 视觉-语言理解能给出连贯的文本响应
  • 不使用扩散或组合架构
  • 三种模态共用一个离散空间

优点与缺点

✓ 我们认可的地方

  • 支持灵活的分辨率和风格
  • 图像、文本和视频统一到一个离散空间处理

! 需要留意的地方

  • 训练只依赖下一个 token 预测
  • 列出的流程从选择图像生成、视频生成或视频预测功能开始

常见问题

它是怎么训练的?

资料说明它仅通过下一个 token 预测进行训练。

能生成什么?

资料列出图像生成、视频生成和视频预测等功能。

最后评测: 2026-11-15

更多 大模型 API 平台 工具

查看全部 →

评测方法