Emu3

Emu3 是一个基于纯 next-token 预测范式的端到端多模态大模型系列，统一处理文本、图像与视频的生成与理解任务。其核心技术是将视觉信号离散化为 token 序列，仅用标准自回归 Transformer 进行联合训练，无需扩散模型、CLIP 或预训练语言模型辅助。模型支持高分辨率图像生成、跨模态理解（如图文问答）、因果式视频生成与外推，在多项基准上超越 LLaVA、SDXL 和 OpenSora 等专用架构。适用于需要统一架构支撑多模态生成与感知的研究与应用，如智能内容创作、多模态对话系统和视频预测等场景。