2025/02/10

13:44【豆包：視頻生成模型“VideoWorld”可僅靠視覺認知世界 現(xiàn)已開源】據(jù)豆包大模型團隊官方公眾號，視頻生成實驗?zāi)Ｐ汀癡ideoWorld”由豆包大模型團隊與北京交通大學、中國科學技術(shù)大學聯(lián)合提出。VideoWorld在業(yè)界首次實現(xiàn)無需依賴語言模型，即可認知世界。正如李飛飛教授9年前TED演講中提到“幼兒可以不依靠語言理解真實世界”，VideoWorld僅通過“視覺信息”，即瀏覽視頻數(shù)據(jù)，就能讓機器掌握推理、規(guī)劃和決策等復雜能力。團隊實驗發(fā)現(xiàn)，僅300M參數(shù)量下，VideoWorld已取得可觀的模型表現(xiàn)。作為一種通用視頻生成實驗?zāi)Ｐ?，VideoWorld去掉語言模型，實現(xiàn)了統(tǒng)一執(zhí)行理解和推理任務(wù)。同時，它基于一種潛在動態(tài)模型，可高效壓縮視頻幀間的變化信息，顯著提升知識學習效率和效果。