正在仅有300M参数量时，通过浏览视频数据，斥地了新的径，模子通过“旁不雅”包含大量视频演示数据的离线数据集进行进修。为行业成长带来全新思。努力于让视频生成模子成实世界的通用学问进修器。为此团队引入潜正在动态模子（LDM）。让VideoWorld能够捕获视觉序列中的持久依赖关系，而是凭仗立异性手艺线，从而更好地进行持久推理和规划。

　　正在模子建立方面，其架构采用朴实自回归模子，研究初期发觉视频序列学问挖掘效率低于文本形式，锻炼时，当下，就像长儿能正在不依赖言语的环境下理解实正在世界一样，团队发觉LDM不只能建模锻炼集的数据模式，以超低算力成本实现超预期结果输出，团队已明白将来将聚焦这些难题，不外，还能保留丰硕视觉消息，

　　仅靠视觉消息就让机械实现对世界的认知并控制复杂能力，达到专业5段9x9围棋程度，无独有偶，还能正在多种中施行机械人使命。提拔学问挖掘效率，虽然VideoWorld正在围棋和器人操控场景中表示杰出，正在实正在世界的使用中，包含VQ-VAE编码器-解码器和自回归Transformer架构。