FDE落地

Q: 开通科技 / FDE 是做什么的？

重庆开通网络科技有限公司（开通科技，品牌 FDE）提供 AI 能力与落地实践服务：智能体开发与运营、电商 AI 应用（AIEC）、企业智能营销 GEO，并配套诊断、咨询、培训与社区内容。

Q: 三大场景应用分别是什么？

FDE智能体（/agents）做企业级智能体开发与运营；AIEC（/aiec）做电商履约采销与上架自动化；GEO（/geo）做生成式引擎优化，提升品牌在 AI 回答中的正确引用。

Q: 如何开始 AI 落地？

可从免费诊断（/offers/diagnose）摸底优先级，再进入 AI 能力（/ai）、AI 落地路径（/delivery）或对应场景应用站点深入了解。

# DeepSeek之后，智源大模型登Nature：事关"世界模型"统治路线 **原文链接：https://tech.ifeng.com/c/8qOgyox9n7n** **来源：AnySearch 国产模型** 北京时间1月29日，北京智源人工智能研究院推出的多模态大模型"悟界·Emu"登上Nature正刊，成为继DeepSeek之后第二个达成此成就的中国大模型团队研究成果，也是中国首篇围绕多模态大模型路线的Nature论文。 Nature编辑点评道："Emu3仅基于'预测下一个token'实现了大规模文本、图像和视频的统一学习，其在生成与感知任务上的性能可与使用专门路线相当，这一成果对构建可扩展、统一的多模态智能系统具有重要意义，有望推动原生多模态助手、世界模型以及具身智能等方向的发展。" "悟界·Emu3"模型由智源研究院于2024年10月推出。无论在感知还是生成方面，Emu3均达到了与特定任务旗舰模型相媲美的性能。该模型能够完成文本到图像生成、文本到视频生成、未来预测、视觉语言理解、交错图像文本生成以及具身操作等多方面任务，这一成果对于确立自回归成为生成式AI统一路线具有重大意义。 Emu3的图像生成在MSCOCO-30K等基准上表现优于SDXL等扩散模型；视频生成在VBench评分达81，超过Open-Sora 1.2；视觉语言理解得分62.1，略高于LLaVA-1.6。尽管这一成绩在如今已经比较寻常，但在两年前却非同一般。 前OpenAI政策主管、现Anthropic联合创始人杰克·克拉克当时评价Emu3："不依赖花哨的架构技巧，仅用最基础的预测下一个token的逻辑，这种'简单'被视为具备强大的扩展潜力。" 而正是这种"简单"架构路线，对降低大模型研发门槛和成本意义重大。"越是极简的架构，可能越具备强大的生产力，对产业的价值也越大。"智源研究院院长王仲远表示，"因为它简化了多模态AI架构，减少了研发过程中的复杂性和潜在错误，从而使模型的构建和维护更高效。" 到2025年10月，"悟界·Emu"系列已迭代出多模态世界模型。Emu3.5可以理解长时序、空间一致的序列，模拟在虚拟世界中的探索和操作，不仅超越谷歌Nano Banana等模型拿下多模态SOTA，并首次指明了"多模态Scaling范式"，让模型自发学习世界演变的内在规律，为具身智能等物理AI领域发展提供了重要新路径。 论文名为《通过预测下一个token进行多模态学习的多模态大模型（Multimodal learning with next-token prediction for large multimodal models）》。 **一、50人小组死磕"统一"：一场押注AI未来的技术豪赌** Emu3模型最早立项是在2024年2月，当时正值团队重新审视大模型发展路径——随着GPT-4、Sora的爆火，"预测下一个token"自回归路线彻底改变了语言模型领域，并引发了关于AGI早期迹象的讨论，而在多模态生成领域，DiT（Diffusion Transformer）架构成为主流，开始展现出令人惊艳的生成效果。 自回归技术路线是否可以作为通用路线统一多模态？一直是未解之谜。Emu3的开创性，就在于仅采用"预测下一个token（NTP）"自回归路线，就实现统一多模态学习，训练出性能出色的原生多模态大模型。 时间线拉回到立项之前，当时智源研究院团队进行了大量分析和辩论，达成一个共识——多模态是未来实现AGI的关键路径，但现有的多模态生成长期以来由扩散模型主导，而视觉语言感知则主要由组合式方法引领，并不收敛统一，存在技术天花板。 尽管已有业内人士试图统一生成与感知（如Emu和Chameleon），但这些工作要么简单地将大语言模型与扩散模型拼接在一起，要么在性能效果上不及那些针对生成或感知任务精心设计的专用方法。 自回归架构能否作为原生统一多模态的技术路线，信与不信，这是一个重大的技术决策。最终在2024年2月底，智源研究院决定，组建一支五十人的技术攻关团队，以自回归架构为核心进行研发，并采用离散的token方式，以精简架构和大规模复用的大语言模型基础设施，开启全新的多模态模型Emu3的研发工作。 该模型开创性地将图像、文本和视频统一离散化到同一个表示空间中，并从零开始，在多模态序列混合数据上联合训练一个单一的Transformer。 这是一条挑战传统的"冒险"之路，在成功之前，智源研究院团队经历了重重挑战。 首先不言而喻的是技术上的挑战。选择"离散的token"方式本身是一种冒险，因为它尝试为视觉和其他模态重新发明一种与人类文字语言对齐的语言体系。在图像压缩过程中，由于图像信息相较于文字的信息量更大，但冗余更多，这使得基于token压缩图像时难以训练出有效模型，在这个过程中也难免受挫和沮丧。 第二，更深层次的是路径上的质疑。2024年国内各个大模型团队都在如火如荼地复现GPT-4，很多头部玩家一边也布局了多模态模型，但实际过程中存在摇摆，最终因资源消耗大、主线仍聚焦于语言模型等原因而砍掉了团队。智源研究院在这样的产业大背景下坚持了下来，背后需要一号位强大的信念和团队强大的定力。 第三，"多模态能否提升模型的智能"这个问题，当时还没有完全成定论。但智源团队坚信，下一代模型如果要进入到物理世界，仅靠文字是不够的，需要一个"见过世界"的模型。他们相信，不管突破多模态模型乃至世界模型智能升级有多难，它都是实现AGI的一条必经之路。 **二、性能匹敌专用模型：两年，Emu3已深度影响产业发展脉络** 多位业内专业人士表示，Emu3模型发布两年多以来，已经对多模态领域产生了显著影响，推动了整个产业的发展脉络。有证据表明其在产业界中得到了广泛应用和高度认可。 而进入产业应用的前提，是Emu3首先打赢了"性能"这一仗。在多模态生成与感知任务上，Emu3的整体表现可与多种成熟的任务专用模型相媲美。 首先聚焦文本到图像生成能力，在MSCOCO-30K、GenEval、T2I-CompBench等多个基准上，Emu3的性能与当时最先进的扩散模型相当：超越了SD1.5、SDXL等模型，并接近DALL-E 3、FLUX.1（Dev）等模型。 在文生图任务中，其效果达到扩散模型水平；在视觉语言理解方面，其可以与融合CLIP和大语言模型的主流方案比肩。Emu3作为一种纯粹的无编码器方法，在多个基准测试中达到了与其同类方法相当的性能，且并未依赖专门的预训练大语言模型和CLIP。 在零样本图像修复案例中，给定输入图像和相应提示，Emu3能准确填充边界框内的掩码区域，生成语义对齐的内容，且无需特定任务的微调。 同时，Emu3还具备视频生成能力。Emu3原生支持生成24帧/秒的5秒视频，并可通过自回归方法进行扩展。在扩展数据表3中，Emu3所产生的结果与其他视频扩散模型相比具有很强的竞争力：Emu3的性能超过Open Sora V1.2、Kling（2024）、Gen-3等当年的知名专用模型。 Emu3可以通过预测未来帧来扩展视频。以视频扩展的定性为例，将2秒、24帧/秒的视频token化为离散视觉token作为上下文。Emu3以同样的离散视觉token形式预测后续2秒的内容，这些token可以被解token化以生成预测的未来视频。 不同于Sora等模型的以噪声为起点的扩散式视频生成模型，Emu3通过自回归方式逐token预测视频序列，实现基于因果的视频生成与延展，展现出对物理世界中环境、人类与动物行为的初步模拟能力。 Emu3还可拓展至视觉语言交错生成，例如图文并茂的菜谱生成；也可拓展至视觉语言动作建模，如机器人操作VLA等，进一步体现了"预测下一个token"的通用性。 事实上，在Nature论文之外，智源研究院于2025年10月30日发布了Emu3的后续版本Emu3.5，其在多种多模态任务上继续展现出令人惊艳的效果以及SOTA的结果，对比Emu3有了全方位、大幅度的性能提升，开启多模态世界大模型新纪元。 "悟界·Emu"系列在架构理念和实际效果上都达到了产品级，这才使它不仅在学术界获得了《自然》期刊的高度认可，而且在业界引起了广泛关注。Emu3及后续版本的成果具有重大产业应用前景，可能改写整个多模态大模型格局，为中国在下一代大模型下的原创科研成果树立了典范。 **三、扩散模型已死？技术角度揭秘Emu3框架** Emu3及后续版本的发布，一度在开发者社区引起讨论和关注，甚至产生了"扩散模型已死"的说法。 对此，王仲远坦言，目前对于扩散模型的研究趋势尚不能定论。虽然有一些成果如Emu3.5提供了世界模型的可行路径，但并非唯一路径。未来可能会有更多技术路径实现"预测下一个状态"，且扩散模型也在与其他技术结合改进。因此，不能断言扩散模型会消失，而是需要持续观察和学习交流。 尽管不能断言自回归路线已经一统天下，但Emu3已经为产业提供了一条新的康庄大道。 回到Emu3模型架构来看，其保留了Llama-2等成熟大语言模型的架构框架，主要修改在于扩展了嵌入层以容纳离散的视觉标记。这是一个统一的、仅含解码器的框架，该框架将语言、图像和视频建模为单一的离散标记序列，并通过下一个标记预测目标进行端到端训练。 该框架的方法包含五个紧密集成的组件：一个大型的混合多模态训练数据集；一个统一的标记器，可将图像和视频片段转换为紧凑的离散标记流（视觉分词器）；一个基于Transformer的仅解码器架构，该架构扩展了大语言模型的嵌入空间以接受视觉标记；以及相应的训练与推理流程设计。 --- *来源：AnySearch 国产模型 | 原文链接：https://tech.ifeng.com/c/8qOgyox9n7n* *本文由 FDE 新闻采集智能体自动整理；如原文为英文则已翻译为中文。*