智源研究院推出 Emu3.5：挑戰 Gemini 2.5 的多模態世界模型，速度與性能兼備

探索智源研究院(BAAI)最新發布的 Emu3.5，這款強大的多模態世界模型不僅在圖像生成與編輯方面超越對手，更透過創新的 DiDA 技術實現 20 倍推理加速。了解它如何改變我們與數位世界的互動。

在人工智慧的浪潮中，多模態模型的發展一直是眾所矚目的焦點。就在最近，北京智源人工智能研究院（BAAI）投下了一顆震撼彈，正式推出了名為 Emu3.5 的大型多模態世界模型。這不僅僅是一次技術更新，更像是一次對未來人機互動方式的深刻預演。

Emu3.5 的核心理念相當直觀：直接預測下一個「視覺-語言」步驟，從而實現流暢無礙的世界建構與內容創作。想像一下，AI 不再只是被動地回應指令，而是能像一個有遠見的導演，預測並鋪陳接下來的劇情。

萬億級數據訓練出的「下一步」預測大師

Emu3.5 的強大並非偶然。它的背後，是超過 10 萬億個混合視覺語言權杖（tokens）的龐大訓練數據，這些數據來自無數的影片影格和文字。更特別的是，它採用了統一的「下一權杖預測」目標，讓模型在處理圖像和文字時，能像思考同一件事一樣自然。

這還不是全部。為了讓 Emu3.5 不僅僅是個「記憶大師」，研究團隊還引入了強化學習（RL）技術。這一步棋讓模型學會了更好的思考和整合概念的能力，使其在面對複雜任務時，表現得更加聰明、更有邏輯。

DiDA 技術：速度提升 20 倍的秘密武器

如果你覺得 AI 生成內容的速度總是有點慢，那麼 Emu3.5 帶來的改變可能會讓你大吃一驚。它的關鍵新特性之一，就是離散擴散適應（Discrete Diffusion Adaptation，簡稱 DiDA）。

這聽起來可能有點複雜，但它的效果卻非常直接：在不犧牲任何生成品質的前提下，透過雙向並行預測，將推理速度提升了整整 20 倍！這意味著什麼？過去需要等待一分鐘的複雜圖像編輯，現在可能只需要幾秒鐘就能完成。這種速度上的飛躍，無疑為即時創作和互動應用開啟了全新的可能性。

數據會說話：Emu3.5 在多項基準測試中脫穎而出

當然，任何模型的發布都得用實力說話。從官方公布的數據圖表來看，Emu3.5 的表現確實令人印象深刻。

在上圖 (a) 的比較中，Emu3.5（紫色長條）在 LongText-Bench、LeX-Bench、CVTG-2K 等多個圖像生成與編輯基準測試中，其性能與業界頂尖的 Qwen-Image/Edit 模型不相上下，甚至在某些項目上略勝一籌，並且顯著優於 GPT-Image-1 和 Google 的 Nano Banana。

直接對決：完勝 Google Nano Banana

更有趣的是 Emu3.5 與 Google Gemini 2.5 Flash Image（代號 Nano Banana）的直接對決。從下圖 (b) 的勝率餅圖可以看出，Emu3.5 在四個關鍵領域都佔據了上風：

• 世界探索（World Exploration）： 勝率高達 65.5%。這代表模型在理解和導航虛擬環境方面能力出眾。
• 實體操作（Embodied Manipulation）： 勝率更是達到了 67.1%，顯示其在模擬真實世界物理互動方面的潛力。
• 視覺引導（Visual Guidance）： 擁有 51.5% 的勝率。
• 視覺敘事（Visual Narrative）： 勝率也接近一半，達到 49.2%。

這些數據清楚地表明，Emu3.5 不僅僅是一個單純的圖像生成器，它在理解和預測動態世界方面，展現了更深層次的能力。

不只是生成圖片，更是真實世界的行動者

Emu3.5 的另一大亮點是其內建的多模態輸入與輸出能力。這讓它能夠輕鬆處理混合了視覺和文字的複雜序列，對於需要長期連貫創作的任務（例如根據一段故事生成系列插畫）或是真實世界的機器人操作，都顯得游刃有餘。

這也解釋了它為何在「實體操作」這類模擬機器人行動的任務中表現如此出色。一個能預測下一步的模型，自然也更有潛力成為一個優秀的「行動者」。

未來展望與資源

總結來說，Emu3.5 的發布為多模態 AI 領域樹立了新的標竿。它不僅在性能上與頂級模型並駕齊驅，更透過創新的 DiDA 技術解決了生成速度的痛點，同時在模擬真實世界互動方面展現了巨大的潛力。

對於開發者和研究人員來說，這無疑是個令人興奮的消息。團隊已經釋出了相關的資源，有興趣的朋友可以前往探索：

• GitHub： https://github.com/baaivision/Emu3.5
• Hugging Face： https://huggingface.co/collections/BAAI/emu35 (目前頁面顯示「即將推出」，值得關注！)

常見問題解答 (FAQ)

Q1：Emu3.5 和其他模型（如 Gemini）最大的不同是什麼？

Emu3.5 最大的不同點在於其創新的 DiDA 技術，它在不犧牲品質的情況下將推理速度提升了 20 倍，這在即時應用中是巨大的優勢。此外，它作為一個「世界模型」，其設計初衷就是為了更好地預測連續的視覺語言步驟，這讓它在長期創作和模擬物理互動等任務上更具潛力。

Q2：什麼是「世界模型」？聽起來很科幻。

簡單來說，「世界模型」是一種 AI，它不僅學習數據中的模式，更試圖去理解一個環境（無論是真實世界還是虛擬世界）的內在規則和物理定律。透過這種理解，它能夠預測「如果這樣做，接下來會發生什麼」，這使得它在規劃、推理和與環境互動方面比傳統模型更勝一籌。

Q3：DiDA 技術真的那麼厲害嗎？

是的。在 AI 生成領域，速度和品質往往很難兼得。許多加速技術會導致細節丟失或成品品質下降。DiDA 技術能夠在維持高品質輸出的同時實現 20 倍的加速，這在工程上是一項重大的突破，極大地擴展了這類模型的實用場景。