「原生全模态的世界模型」具体指什么？智象未来完成新一轮融资，对外说要做的就是这个。
按我的理解，原生全模态是从底层就把文本、图像、视频、音频放进同一个表征空间里训，而不是几个单模态模型拼起来。好处是跨模态的理解和生成理论上更自洽；代价也很直白，训练数据对齐、算力、工程复杂度，哪个都是硬骨头。
世界模型这个提法现在很热，各家定义却不太一样。我给自己定的分水岭就一条：它对物理世界有没有内在建模能力，还是又一个多模态生成器换了个说法。
数据对齐才是最烧钱烧人的环节
1 个赞
世界模型定义各家不一，先看落地再吹
蹲
别又是个套壳多模态生成器就行