悟界・Emu3.5：原生多模态世界大模型开启AI第三条Scaling范式

在人工智能技术快速演进的今天，多模态大模型正成为推动AI向通用人工智能迈进的关键力量。当业界仍在围绕自回归与扩散模型的技术路线展开激烈讨论时，北京智源人工智能研究院（BAAI）最新发布的悟界・Emu3.5模型，以其创新的“多模态世界大模型”定位，为这场技术辩论提供了全新的视角和答案。

Emu3.5不仅仅是一次常规的模型迭代，它被定义为“多模态世界大模型”（Multimodal World Foundation Model），这一概念标志着AI发展进入了一个全新的阶段。通过在超过10万亿多模态Token（主要源自互联网视频，总时长约790年）上进行端到端预训练，Emu3.5成功学习并内化了现实物理世界的动态规律。这种原生的世界建模能力，使其在根本上区别于现有的生成模型，并自然外化为一系列高级功能：不仅能生成图文并茂的故事，更展现出在长时程视觉指导、复杂图像编辑、世界探索和具身操作等任务上的强大潜力。

更值得关注的是，Emu3.5首次揭示了“多模态Scaling范式”的存在。这是继语言预训练、推理和后训练之后，人工智能发展的第三条Scaling范式。智源研究院在悟道1.0发布会上率先提出“大模型”概念，如今通过Emu3.5的发布，他们再次引领行业方向，将“世界大模型”（World Foundation Model）确立为AI研究的新探索方向。

在技术架构层面，Emu3.5继承了Emu3的极简设计理念，基于一个34B的稠密Transformer模型。其核心创新在于将模型目标统一为“下一状态预测”（Next-State Prediction）。这种设计赋予了Emu3.5独特的“原生多模态”特性——不再依赖传统的“多模块”模式（即以LLM为基础，将其他模态转换为文本再处理），而是直接基于下一个token预测，实现了文本、图像、视频三种模态数据的理解和生成大一统。

这种原生特性使Emu3.5具备生成交错视觉-语言输出的能力。当用户给出指令时，模型可以生成一段文字，紧接着一幅图像，然后是另一段解释性文字和下一幅图像，形成连贯的多模态叙事。这种能力使其天然胜任两类极具挑战性的新任务：

1. 视觉叙事（Visual Narrative）：Emu3.5能生成一系列图文并茂的卡片，从起点处牛顿与索尼克在森林相遇、提出关于速度与引力的挑战开始，到两个角色的交流和思考，再到最后在月光下共同仰望星空，整个过程逻辑连贯，画面风格统一。

2. 视觉指导（Visual Guidance）：模型可以生成分步的、带有视觉示例的教程。例如，当被问及“如何画图中的猫？”，Emu3.5会生成几个步骤，每个步骤都配有一张清晰的图片，直观展示从轮廓到最终完成猫图片的全过程。

这种能力标志着多模态模型从“看图说话”或“按需作画”的单一任务执行者，向着能够进行连续、多步、跨模态创造的“世界学习器”迈出了关键一步。

Emu3.5之所以能具备如此强大的原生多模态能力，其背后是一套极其庞大且精密的训练流程。与以往模型主要依赖静态的“图像-文本对”不同，Emu3.5的训练数据主体是包含超过10万亿Tokens的视觉-语言交错数据，主要来源于互联网视频及其对应的语音转录文本。为什么视频数据如此重要？因为静态图文对只能教会模型“这是什么”，而连续的视频帧和同步的解说，则能教会模型现实世界的物理动态、时空连续性和因果等规律。

整个训练流程分为四个核心阶段：

第一阶段是大规模预训练。Emu3.5在超过10万亿Tokens的数据上，采用统一的“下一状态预测”目标进行端到端训练。这一阶段分为两步，第一步在10万亿Tokens上进行大规模基础学习，第二步则在3万亿更高质量、更高分辨率和更丰富标注的数据上进行能力增强。值得注意的是，模型在训练过程中，验证集上多个分布外任务的损失持续下降，这表明模型涌现出了强大的泛化能力，而不仅仅是记忆训练数据。

曲线表明Emu3.5实现了平滑且稳定的优化过程，并在多组验证集上保持了一致的泛化能力。

第二阶段是监督微调。在预训练之后，模型在一个包含1500亿样本的高质量数据集上进行微调。这些数据覆盖了从通用图文生成、视觉问答，到前文提到的视觉叙事、视觉指导、世界探索和具身操作等多种复杂任务。SFT阶段的目标是建立一个统一的多模态交互接口，让模型学会如何“听懂”并完成各种具体指令，并促进不同任务之间的知识迁移。

第三阶段是大规模多模态强化学习。为了进一步提升多模态推理和生成质量，Emu3.5首次在多模态领域进行大规模强化学习。团队构建了一个复杂的多维度奖励系统，能够同时评估生成内容的美学质量、图文对齐度、叙事连贯性、文本渲染准确度等多个指标。通过在统一的奖励空间中进行优化，模型学会在多个目标之间取得平衡，避免了“奖励欺骗”现象，实现了跨任务的持续改进。

第四阶段是高效自回归推理加速。为了解决自回归模型在生成速度方面的挑战，Emu3.5团队提出了“离散扩散自适应”（Discrete Diffusion Adaptation，DiDA）方法。这项技术将每张图像的推理速度提升了近20倍，且几乎没有性能损失。这使得Emu3.5成为首个在推理速度和生成质量上，能与顶级闭源扩散模型相媲美的自回归模型。

在性能表现方面，Emu3.5在多个基准测试中展现出卓越实力。在图像编辑任务上达到了与谷歌Gemini-2.5-Flash-Image相当的性能，并在文本渲染和一系列交错内容生成任务上显著超越对手。这种全面的性能优势，验证了“多模态世界大模型”这一技术路线的可行性和先进性。

智源研究院已宣布后续将开源Emu3.5，以支持社区的进一步研究。这一决定不仅体现了开源精神，也为全球AI研究者提供了探索多模态世界模型的重要工具。悟界・Emu3.5的发布，不仅是一次技术突破，更是AI发展史上的重要里程碑。它标志着人工智能从单纯的内容生成，向对世界动态的理解和预测迈进，为构建真正理解物理世界的通用人工智能奠定了坚实基础。

— 图片补充 —