北京智源人工智能研究院近日推出新一代多模態世界模型Emu3.5，通過創新性引入自回歸式“下一狀態預測”（NSP）架構，推動人工智能從單一模態理解向跨場景智能操作跨越。該模型首次將文本、圖像、動作指令等多元信息整合為連續狀態序列，通過預測后續狀態變化實現端到端決策，標志著AI系統開始具備“預判-規劃-執行”的完整能力鏈。
在核心技術層面，Emu3.5突破傳統多模態模型的特征對齊局限，構建了統一的狀態流編碼體系。模型接收用戶指令后，不僅能解析當前場景要素，更能模擬操作對環境的影響。例如當用戶要求“將咖啡杯移至桌角并增強畫面亮度”時，系統會同步計算物體移動軌跡、光照參數變化及背景協調性，確保每個操作步驟符合物理規律與視覺邏輯。
實測數據顯示，該模型在復雜任務處理中展現出顯著優勢。在圖像生成領域，可根據“蒸汽朋克風格的海底城市，氣泡折射著機械生物的光澤”等精細描述，自動生成具有物理可信度的畫面；圖像編輯場景下，支持“將人物服飾改為1920年代爵士風”等語義級修改，無需人工選取操作區域；視頻處理方面，能對連續幀進行動態調整，如實現“奔跑者突然急停并反向跳躍”的時空連貫編輯。
這種跨模態協同能力為機器人控制、虛擬助手開發、智能設計等領域開辟新路徑。在醫療場景中，模型可同步分析CT影像與電子病歷，生成包含三維重建與診療建議的復合報告；教育領域能根據知識點自動生成包含互動元素的多媒體課件；娛樂產業則支持從劇本創作到鏡頭設計的全流程AI輔助。
研發團隊強調，Emu3.5通過消除文本、視覺、動作間的信息壁壘，實現了真正意義上的模態自由切換。科研人員可基于統一框架處理異構數據，普通用戶則能通過自然語言完成專業軟件操作。目前該模型已啟動教育、醫療、文娛等領域的商業化應用，并計劃分階段開源核心模塊，推動構建開放的多模態技術生態。
這項突破重新定義了AI系統的角色定位——從被動執行指令的工具，轉變為具備主動規劃能力的協作者。當模型開始預測環境變化并自主規劃最優路徑時，人工智能正沿著通用智能的方向邁出關鍵步伐。智源研究院通過NSP架構的創新，為多模態技術發展找到了新的突破口。
