IXThinker·2025-01-28 13:50

豆包團隊推VideoWorld 純視覺學習複雜任務

豆包大模型團隊聯合北京交通大學與中國科學技術大學提出通用影片生成模型VideoWorld，嘗試不依賴語言模型，僅從純視覺訊號學習知識與推理。

問題緣起

現有影片生成模型大多依賴語言或標籤數據學習知識，如Sora；但語言無法捕捉真實世界的全部知識，摺紙、打領結等複雜任務便難以用語言清晰表達。