【东北数字经济】豆包开源视频生成模型，多模态模型奇点时刻或将到来
事件：豆包团队发布视频生成实验模型“VideoWorld”。2月10日中午，豆包大模型团队发布视频生成模型最新成果“VideoWorld”， 在业界首次实现无需依赖语言模型，即可认知世界。
VideoWorld仅依赖视觉数据进行训练并取得良好效果。当前主流视频生成模型如Sora、DALL-E、Midjourney，主要依赖语言和标签数据进行知识学习。VideoWorld去掉了语言模型，以包含大量视频演示的数据集为训练数据。同时该模型引入潜在动态模型（LDM）对帧间视觉变化进行压缩，提高模型的知识挖掘效率。VideoWorld 在仅有300M的参数量下，且不依赖任何强化学习中的搜索或奖励函数机制，达到专业 5 段的 9x9 围棋水平，能够在多种环境中执行机器人任务，并在不同环境中表现出良好的泛化能力。
VideoWorld的视觉因果理解能力提升，利好视频制作、自动驾驶等方向。我们认为，VideoWorld仅依赖视频数据喂养，一方面使模型能够更加充分地学习视频隐含的物理、因果规则，改善训练效果，另一方面也降低了训练成本和难度。根据研究案例，目前该模型在围棋和模拟机器人操控中展现了卓越性能，预计未来该模型有望改善视频生成的效果和物理世界理解能力，赋能于电商、设计、自动驾驶等多个应用场景。
相关标的：
视频制作及生成：万兴科技、美图公司
自动驾驶：虹软科技
