智源研究院发布的开源多模态世界模型Emu3.5，其图像生成能力已超越主流同行。更关键的是，它揭示了一种可扩展的Scaling范式，展现出学习物理因果与规划复杂任务的潜力，为通用人工智能的实现提供了可度量的实践路径。
智能速览
Emu3.5的图像生成与编辑能力超越第一阵营同行。
模型能理解高层意图，自主规划并生成多步骤行动方案。
可根据单张静态图片，生成逼真的3D动态导航视频。
涌现出强大的因果推理能力，可驱动机器人完成复杂任务。
基于自回归架构实现多模态序列预测，范式简单且可扩展。
完全开源，旨在推动具身智能与AI for science等领域发展。
精华内容
Emu3.5的发布不仅是技术的迭代，更揭示了通往通用人工智能的一条清晰路径。
超越同行
在常规的多模态能力评测中，Emu3.5展现了卓越的实力。其图像生成和编辑功能已成功超越当前被公认为第一阵营的其他模型，无论是图像的质感、逻辑一致性还是对复杂指令的遵循度，都达到了新的高度，为多模态模型设立了新的性能标杆。
意图到规划
Emu3.5的核心突破在于其理解并执行复杂任务的能力。当输入“如何制作虾仁芹菜猪肉馅饺子”这一高层意图时，模型能自主生成一套完整、连贯的步骤。从准备原料、混合馅料到包制、下锅，甚至细化到“饺子浮起后加入凉水”这一关键技巧，展现了其强大的逻辑规划与常识推理能力。
动态世界模拟
模型能够将静态的2D图片转化为动态的3D世界模拟。仅需提供一张客厅的照片，Emu3.5即可生成一段流畅的第一人称导航视频。这表明模型在统一的框架内，无缝融合了对场景的深度理解、空间规划与物理动态预测，能够模拟时空演化与因果常识。
泛化交互基础
Emu3.5为AI与物理世界的泛化交互奠定了认知基础。通过一句“叠衣服”的简单指令，模型能够自主将任务拆解为多个子步骤，并精确生成机器人完成整套折叠动作的复杂序列。这种涌现出的因果推理和规划能力，是实现具身智能的关键一步。
技术内核
Emu3.5的强大能力源于其简洁高效的技术范式。它在Next Token Prediction（NTP）的基础上，模拟人类自然学习方式，通过自回归架构实现了多模态的Next Sequence Prediction（NSP）。这种设计简单、易于扩展，为世界模型的Scaling提供了全新的思路，并且所有成果均为开源。
Emu3.5以其开源特性和可扩展的范式，为世界模型的演进树立了新标杆，并为AGI的实现提供了坚实且可度量的路径。这会催生怎样的新一代AI应用呢？
