讓AI用視覺認識世界，豆包發(fā)布并開源VideoWorld視頻生成模型

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