1月28日，北京智源人工智能研究院（以下简称智源）多模态大模型成果Multimodal learning with next-token prediction for large multimodal models（通过预测下一个词元进行多模态学习的多模态大模型）在《自然》上线，这是我国科研机构主导的大模型成果首次发表于《自然》。
这项成果表明，只采用自回归路线，就可以统一多模态学习，训练出优秀的原生多模态大模型，对于确立自回归成为生成式人工智能统一路线具有重大意义。
《自然》点评这项成果：智源推出的Emu3模型仅基于预测下一个词元（Next-token prediction），实现了大规模文本、图像和视频的统一学习，其在生成与感知任务上的性能可与使用专门路线相当，这一成果对构建可扩展、统一的多模态智能系统具有重要意义。
据悉，“预测下一个词元”彻底改变了语言模型，促成了如 ChatGPT等突破性成果，并引发了关于通用人工智能（AGI）早期迹象的讨论。然而，其在多模态学习中的潜力一直不甚明朗。
为此，智源提出了Emu3，即基于“预测下一个词元”的全新多模态模型，将图像、文本和视频统一离散化到同一个表示空间中，并从零开始，在多模态序列混合数据上联合训练单一的深度学习模型架构。这一架构证明了仅凭“预测下一个词元”，就能够同时支持高水平的生成能力与理解能力，并且在同一统一架构下，自然地扩展到机器人操作以及多模态交错等生成任务。此外，研究团队还做了大量消融实验和分析，验证了多模态学习的规模定律（Scaling law）、统一离散化的高效性、以及解码器架构的有效性。
智源研究团队对相关研究的多项关键技术与模型进行了开源，以推动该方向的持续研究，还通过大规模消融实验系统分析了多项关键技术的设计选择，并验证了自回归路线高度通用性，使模型能够更好地对齐人类偏好。
研究表明，预测下一个词元可作为多模态模型的核心范式，突破语言模型的边界，在多种多模态任务中展现了强劲性能。
2025年10月，智源推出的原生多模态模型Emu3.5进一步通过大规模长时序视频训练，学习时空与因果关系，展现出随模型与数据规模增长而提升的物理世界建模能力，并观察到多模态能力随规模扩展而涌现的趋势，实现了“预测下一个状态”的范式升级。
成立7年来，智源聚焦人工智能技术前沿，挑战最基础的问题和最关键的难题，推进大模型技术不断演进。未来，智源将继续围绕智能与物理世界的深层关联，推进面向下一代人工智能的科研创新。
相关论文信息：https://doi.org/10.1038/s41586-025-10041-x
图为在上海科技创新成果展上拍摄的科学刊物展台。新华社记者 方喆摄 一直以来，学者们向学术期刊投稿面临着激烈竞 如果有一只眼睛，能帮我们一直看到中国南海海底深处，会看到什么？ 除了深邃黑暗的海洋，慢慢爬动的潜铠虾和海底岩石等，好像还有 12月19日，山东先进制造业人力资源服务供需对接活动在济南举办，活动由山东省人力资源和社会保障厅、山东产业技术研究 近日，中国科学院大连化学物理研究所研究员周光远和副研究员聂赫然团队，在高性能聚酰亚胺气凝胶结构设计和研究方面取 ? ? 记者1月2日从中国科学院昆明植物研究所获悉，近期高黎贡山国家级自然保护区怒江管护局、贡山管护分局联合该所组成的考察 。本文链接：智源大模型成果首次发表于《自然》http://www.sushuapos.com/show-11-31367-0.html
声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。
上一篇： 首届科学家精神讲解员风采展示活动在京落幕
下一篇： 研究人员系统总结植物转录因子研究新进展