豆包团队视频生成新突破：无需语言模型，仅凭“视觉”就能学习复杂任务
豆包团队视频生成新突破：无需语言模型，仅凭“视觉”就能学习复杂任务
现有的视频生成模型，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，比如Sora。
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。
那么，模型能否不依赖语言模型，从纯视觉视角学习知识、认知世界进而掌握推理和规划等能力？
现在，豆包大模型团队联合北京交通大学、中国科学技术大学提出了VideoWorld。
14
0
2025-09-05
