财中社2月13日电 事件：

2025年2月10日，豆包大模型团队与北京交通大学、中国科学技术大学联合提出视频生成实验模型VideoWorld。不同于Sora、DALL-E、Midjourney等主流多模态模型，VideoWorld在业界首次实现无需依赖语言模型，即可认知世界。

江海证券发表观点：

VideoWorld去掉语言模型，实现了统一执行理解和推理任务。

现有模型大多依赖语言或标签数据学习知识，很少涉及纯视觉信号的学习。然而，语言并不能捕捉真实世界中的所有知识。例如，折纸、打领结等复杂任务，难以通过语言清晰表达。作为一种通用视频生成实验模型，VideoWorld去掉语言模型，实现了统一执行理解和推理任务。同时，它基于一种潜在动态模型，可高效压缩视频帧间的变化信息，显著提升知识学习效率和效果。在不依赖任何强化学习搜索或奖励函数机制前提下，VideoWorld达到了专业5段9x9围棋水平，并能够在多种环境中，执行机器人任务。尽管面向真实世界的视频生成和泛化仍存在很大挑战，视频生成依然可以成为一种通用的知识学习方法，并在现实世界充当思考和行动的“人工大脑”。目前，该项目代码与模型已开源。

VideoWorld模型架构上使用朴素的自回归模型实例化视频生成器，包含一个VQ-VAE编码器-解码器和一个自回归Transformer。

在模型训练环节，团队构建了一个包含大量视频演示数据的离线数据集，让模型“观看”学习，以此得到一个可以根据过往观测，预测未来画面的视频生成器。模型架构上，团队使用朴素的自回归模型实例化视频生成器，它包含一个VQ-VAE编码器-解码器和一个自回归Transformer。编码器负责将视频帧（画面）转换为离散标记，Transformer在训练期间使用这些标记预测下一标记。在推理过程中，Transformer生成下一帧（画面）的离散标记，这些标记随后由解码器转换回像素空间。通过任务相关的映射函数，模型可将生成画面转换为任务执行动作。这让视频生成实验模型可在不依赖任何动作标签情况下，学习和执行具体任务。

VideoWorld模型压缩视觉变化，实现了更有效的视频学习。

通常，视频编码需要数百或数千个离散标记来捕捉每帧内的视觉信息，这导致知识被稀疏地嵌入标记中。VideoWorld引入了一个潜在动态模型（LatentDynamics Model, LDM），可将帧间视觉变化压缩为紧凑的潜在编码，提高模型的知识挖掘效率。通过引入LDM，VideoWorld在仅有300M参数量下，达到专业5段的9x9围棋水平，且不依赖任何强化学习中的搜索或奖励函数机制。在机器人任务上，VideoWorld也展现出了对多任务、多环境的泛化能力。

如果您有新闻线索，请联系我们：newsroom@caizhongshe.cn