今年最亮眼的工作，恰恰就是北京交通大学和字节那个VideoWorld。 其实所有人都知道，video-in video-out的模型，才是模型的最终形态， 李飞飞管这种模型叫做world model，我愿管这种模型叫large video model（和LLM作为对比）， 可惜简中互联网没啥人关注这个工作，可惜了。 video信息密度太低了，跟文字tokens对比，信息量太稀疏，密度低，天花板太低，必须爆一个比现有最大的LLM还要再大几个数量级的模型，才能获得非常好的效果。 我估计这个方向会推进得非常漫长，大概跟GPT一代类似，要用以5~10年为周期去推进， 但是VideoWorld开了一个好头，非常非常好的头，虽然可能不一定拥Latent Dynamics Model的形式。 北京交通大学完成的。干货分享 编程严选网
