讓AI用視覺(jué)認(rèn)識(shí)世界，豆包發(fā)布并開(kāi)源VideoWorld視頻生成模型

• 2月10日，豆包大模型團(tuán)隊(duì)聯(lián)合北京交通大學(xué)、中國(guó)科學(xué)技術(shù)大學(xué)，發(fā)布了視頻生成模型——VideoWorld，并且已開(kāi)源代碼與模型。與Sora、DALL-E等主流多模態(tài)模型不同，VideoWorld開(kāi)辟了新的路徑，打破對(duì)語(yǔ)言模型的依賴，實(shí)現(xiàn)僅靠“視覺(jué)信息”認(rèn)知世界。就像幼兒能在不依賴語(yǔ)言的情況下理解真實(shí)世界一樣，VideoWorld通過(guò)瀏覽視頻數(shù)據(jù)，讓機(jī)器掌握推理、規(guī)劃和決策等復(fù)雜能力。在僅有300M參數(shù)量時(shí)，它就已展現(xiàn)出可觀的性能，達(dá)到專業(yè)5段9x9圍棋水平，還能在多種環(huán)境中執(zhí)行機(jī)器人任務(wù)。在模型構(gòu)建方面，
• 關(guān)鍵字： VideoWorld  模型  機(jī)器視覺(jué)