豆包新模型VideoWorld无需依赖语言、仅通过“视觉信息”认知世界

i黑马 • 27天前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

2月10日，豆包大模型团队联合北京交通大学、中国科学技术大学共同开发的视频生成实验模型“VideoWorld”正式开源。不同于主流多模态模型，VideoWorld 在业界首次实现无需依赖语言模型，即可认知世界。传统的多模态模型，如Sora、DALL-E和Midjourney等，大多依赖于语言或标签数据来学习知识，而VideoWorld则通过纯视觉信号进行学习和推理。这一特性使得VideoWorld在处理如折纸、打领结等难以通过语言清晰表达的任务时，具有显著优势。此外，该模型还具有扩展到自动驾驶、智能监控等领域的潜力。