2月10日，豆包发布视频生成实验模型“VideoWorld”，无需依赖语言模型，仅通过视觉信息即可认知世界。VideoWorld在300M参数量下表现出色，已在多项测试中达到专业5段9x9围棋水平。不同于主流多模态模型，VideoWorld主要处理纯视觉信号的学习，实现理解和推理任务。团队采用潜在动态模型（LDM）高效压缩视频帧间变化信息。不过，该模型在真实世界应用中面临高质量视频生成和多环境泛化的挑战。AI视觉学习能力的提升有望催生更多AI应用，国内AI大模型多模态能力持续提升。

2月10日，豆包大模型团队联合北京交通大学、中国科学技术大学开发的视频生成模型“VideoWorld”开源。该模型首次实现无需依赖语言模型即可认知世界，专注于纯视觉信号学习。VideoWorld采用潜在动态模型高效压缩视频帧间变化信息，提升了知识学习效率和效果。无需强化学习搜索或奖励函数机制，已达到专业围棋水平并在多种环境中执行机器人任务。更多信息参见相关链接。

视频生成模型“VideoWorld”由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。该模型无需依赖语言模型，仅通过视觉认知世界。目前，该项目代码与模型已开源。

豆包团队提出的新视频生成模型VideoWorld，无需语言模型，仅凭“视觉”就能学习复杂任务。现有模型多依赖语言或标签数据，而语言无法全面捕捉真实世界的知识，如折纸、打领结等。VideoWorld采用潜在动态模型（LDM）压缩视频帧间的视觉变化信息，提升学习效率。在不依赖强化学习搜索或奖励函数的情况下，VideoWorld达到专业5段9×9围棋水平，并能在多种环境中执行机器人任务。VideoWorld通过LDM建模数据模式、辅助前向规划及生成因果相关编码，克服了视频学习中的冗余信息问题。团队希望未来解决高质量视频生成和多环境泛化的挑战，使视频生成模型成为通用知识学习器。