IT之家 2 月 10 日新闻，豆包年夜模子团队结合北京交通年夜学、中国迷信技巧年夜学独特开辟的视频天生试验模子“VideoWorld”本日开源。差别于 Sora 、DALL-E 、Midjourney 等主流多模态模子，VideoWorld 在业界初次实现无需依附言语模子，即可认知天下。据先容，现有模子年夜多依附言语或标签数据进修常识，很少波及纯视觉旌旗灯号的进修。但是，言语并不克不及捕获实在天下中的全部常识。比方折纸、打领结等庞杂义务，难以经由过程言语清楚表白。而 VideoWorld 去失落言语模子，实现了同一履行懂得跟推理义务。同时，它基于一种潜伏静态模子，可高效紧缩视频帧间的变更信息，明显晋升常识进修效力跟后果。在不依附任何强化进修搜寻或嘉奖函数机制条件下，VideoWorld 到达了专业 5 段 9x9 围棋程度，并可能在多种情况中，履行呆板人义务。IT之家附有关地点如下：论文链接：https://arxiv.org/abs/2501.09781代码链接：https://github.com/bytedance/VideoWorld名目主页：https://maverickren.github.io/VideoWorld.github.io
