最新最强的开源原生多模态世界模型——

北京智源人工智能研究院（BAAI）的悟界 · Emu3.5来炸场了。

图、文、视频任务一网打尽，不仅能画图改图，还能生成图文教程，视频任务更是增加了物理真实性。

先感受一下它的高精度操作：一句话消除手写痕迹。

第一视角漫游动态 3D 世界：

要知道，现在 AI 迭代的速度，正在刷新所有人的认知。

尤其是在文生视频这条赛道上，几乎每个月都有新技术出来 " 搞事情 "。

肉眼可见，AI 视频一个比一个真，一个比一个长。

but，先别急着鼓掌——

真正的赛点，早已不是 " 像不像 "，而是 " 懂不懂 "。

它知道桌子上的苹果被拿走后，那里应该变空吗？它明白你转身之后，背后的场景依然存在吗？如果答案是否定的，那再逼真的视频，也不过是 " 高级的 GIF"。

现在，致力于攻克这一终极难题的玩家，终于带着悟界 · Emu3.5 来了。

从官方放出的 demo 来看，Emu3.5 生成的作品展现出极强的连贯性、逻辑性，尤其让 AI模拟动态物理世界的能力又双叒增强了。

它能让你以第一人称视角进入它所构建的虚拟世界。你的每一次移动、每一次转身，它都能动态构建出你下一步应该看到的场景，全程保持空间一致性。

除了上面展示的探索 3D 游戏世界，还能第一视角参观阳光下的客厅：

在火星上开卡丁车也很丝滑：

由于掌握了世界运行的内在规律，它不仅能像专业设计师一样，进行高精度、可控的图像编辑：

还能像拍电影一样，生成图文并茂的视觉故事：

从测评成绩来看，悟界 · Emu3.5 的表现也极其亮眼——在多项权威基准上，性能媲美甚至超越了 Gemini-2.5-Flash-Image，没错，就是那个Nano Banana，在文本渲染和多模态交错生成任务上优势尤其显著。

Emu3.5 的命名，就揭示了它的定位：世界模型基座。

顾名思义，它要做的是世界模型的基础模型，这等于是在 AI 领域开辟了一条全新的赛道。

那么，这样一个被寄予厚望的模型究竟有多强？来看更多案例。

像智能体一样理解长时序核心能力：世界探索与具身操作

这是 Emu3.5 最核心、最能体现其 " 世界模型基座 " 本质的能力。它能像一个智能体（Agent）一样，理解长时序、空间一致的序列，模拟在虚拟世界中的探索和操作。

比如下面这个 " 整理桌面 " 的任务，就是通过以下指令一步步实现的：

先把桌上所有东西清空。

把所有线缆解开并分类。

用扎带把线缆捆好。

用理线槽把线缆隐藏在桌下。

最后把桌面物品摆放整齐。

进阶能力：视觉指导与复杂图像编辑

正因为掌握了动态世界演变规律，Emu3.5 尤为擅长提供具有连贯性和指导意义的视觉内容。

当给了 Emu3.5 一张狐狸的草图，并给出一系列指令 " 把它变成 3D 模型、3D 打印出来、再上色 " 后，它直接一步步生成了从草图到最终手办形态的完整视觉流程。整个过程中，狐狸的核心特征和神态都得到了完美保留，扛住了长时程创作的挑战。

这种能力让它还能生成分步教学指南，手把手教你做菜、画画、种菜：

同时，它也支持多图、多轮指令的复杂图像编辑，主体一致性、风格保持能力达到业界顶尖水平。

敲黑板，由于 Emu3.5 本身就在海量的互联网视频上进行预训练，所以它天生就具备理解时空连续性的能力，能够生成长时序、逻辑一致的序列，而不会出现风格漂移或事实错乱。

为了构建 Emu3.5，智源这次在技术方面也是进行了一系列创新和突破。

背后技术原理

Emu3.5 参数量仅 34B，整个模型以标准的Decoder-only Transformer为框架，单一模型能够同时完成视觉叙事、视觉引导、图像编辑、世界探索、具身操作等多种任务。

它将所有任务都统一为下一 State 预测（Next-State Prediction）任务，无论是文本还是图像，都被一个强大的多模态分词器（Tokenizer）转换成离散的 Token 序列。

海量视频数据预训练

模型在超过10 万亿Token 的多模态数据上进行训练，其中主力是来自互联网视频的连续帧和转录文本。这使得模型从一开始就沉浸式学习时空连续性和因果关系。

强大的分词器

视觉分词器（Tokenizer）基于 IBQ 框架，拥有 13 万的视觉词汇表，并集成了扩散解码器，能实现高达2K分辨率的高保真图像重建。

多阶段对齐

在预训练之后，模型经过了大规模的有监督微调（SFT）和大规模多模态强化学习（RL），使用一个包含通用指标（如美学、图文对齐）和任务特定指标（如故事连贯性、文本渲染准确率）的复杂奖励系统进行优化。

推理加速黑科技

为了解决自回归模型生成图像慢的问题，团队提出了离散扩散适配（DiDA）技术，它能将逐个 Token 的生成方式转变为并行的双向预测，在不牺牲性能的前提下，使每张图像的推理速度提升近 20 倍。

One More Thing

这么强的模型，智源选择——开源！

全球的开发者、研究者，不用再从零开始，就能直接上手一个懂物理、有逻辑的世界模型。

从生成更逼真的视频，到构建更聪明的智能体，再到赋能千行百业的实际应用……想象空间拉满了。

对了，如果想要体验科研内测版，可戳下方链接申请 ~

体验链接：https://jwolpxeehx.feishu.cn/share/base/form/shrcn0dzwo2ZkN2Q0dveDBSfR3b

项目主页：https://zh.emu.world/pages/web/landingPage

技术报告：https://zh.emu.world/Emu35_tech_report.pdf

* 本文系量子位获授权刊载，观点仅为原作者所有。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见