2024 年 10 月，智源研究院发布了全球首个原生多模态世界模型悟界·Emu3，该模型只基于下一个 token 预测，无需扩散模型或组合方法，实现图像、 文本、视频的大一统。模型一经上线便在技术社区引发了热议。 一年后，智源发布悟界·Emu3.5，在"Next-Token Prediction"范式的基础上，模拟人类自然学习方式，以自回归架构实现了对多模态序列的"Next-State Prediction (NSP)"，获得了可泛化的世界建模能力。 智源研究院院长王仲远表示，世界模型的核心是预测下一个时空状态，这种预测对具身智能至关重要，且不局限于视频或图像形式。他解释道，人类面 对真实世界场景时，会形成多模态理解（如看到靠边的咖啡会预判掉落风险），机器人执行相关操作（如抓取咖啡）时，需要精准把控力度、方向等细 节。 Emu3.5 在各方面能力上实现了全面提升。它具备三大特点：一是从意图到规划，模型能够理解高层级的人类意图（如"如何制作一艘宇宙飞船""如何做 咖啡拉花"），并自主生成详细、连贯的多步骤行动路径；二是动态世界模拟，模型在统一框架内无缝融合了对世界的理解、规划与模拟，能够预测物理 动态、时空演化 ...