視頻生成模型“VideoWorld”開源：無需語言模型即可認(rèn)知世界

　　今日，豆包大模型團(tuán)隊(duì)聯(lián)合北京交通大學(xué)、中國科學(xué)技術(shù)大學(xué)共同發(fā)布了視頻生成實(shí)驗(yàn)?zāi)Ｐ?ldquo;VideoWorld”，并宣布其代碼正式開源。與主流多模態(tài)模型如Sora、DALL-E和Midjourney不同，VideoWorld在業(yè)界首次實(shí)現(xiàn)了無需依賴語言模型即可認(rèn)知世界。

　　現(xiàn)有模型大多依賴語言或標(biāo)簽數(shù)據(jù)來學(xué)習(xí)知識(shí)，而VideoWorld則專注于純視覺信號(hào)的學(xué)習(xí)。例如，折紙、打領(lǐng)結(jié)等復(fù)雜任務(wù)難以通過語言清晰表達(dá)，而VideoWorld通過去除語言模型，實(shí)現(xiàn)了對(duì)這些任務(wù)的理解和推理。此外，該模型基于潛在動(dòng)態(tài)模型，能夠高效壓縮視頻幀間的變化信息，顯著提升知識(shí)學(xué)習(xí)效率。

　　值得一提的是，VideoWorld在不依賴任何強(qiáng)化學(xué)習(xí)搜索或獎(jiǎng)勵(lì)函數(shù)機(jī)制的前提下，達(dá)到了專業(yè)5段9x9圍棋水平，并能夠在多種環(huán)境中執(zhí)行機(jī)器人任務(wù)。這一創(chuàng)新為視頻生成技術(shù)開辟了新的發(fā)展方向。