本文へスキップ

Emu3

次のトークン予測で画像とテキストと動画を一つに

公式サイトを見る
カテゴリ AIモデル

Emu3 とは

本モデルは次のトークン予測だけで訓練されたマルチモーダルの仕組みで、画像、テキスト、動画を単一の Transformer にまとめると説明されている。

できること

  • 柔軟な解像度とスタイルで画像を作る
  • 系列の次のトークンを予測して動画を作る
  • 与えられた動画の文脈から自然に場面を伸ばす

モデルの要点

  • 視覚と言語の理解がまとまった文章の応答を返す
  • 拡散や組み合わせの構造は使わない
  • 三つのモダリティが一つの離散空間を共有する

長所と短所

✓ 良い点

  • 解像度とスタイルを柔軟に選べる
  • 画像、テキスト、動画が一つの離散空間に入る

! 注意したい点

  • 学習は次のトークン予測だけに依存する
  • 挙がる手順は生成か予測かの機能選択から始まる

よくある質問

学習の方法は?

資料では次のトークン予測のみで訓練されると説明されている。

何を生成できる?

資料には画像生成、動画生成、動画予測が挙がっている。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法