豆包大模型团队发布了视频生成实验模型“VideoWorld”，并宣布其代码正式开源。与当前主流的多模态模型如Sora、DALL-E、Midjourney等不同，VideoWorld在业内首次实现了无需依赖语言模型，仅通过视觉信息即可认知世界。

核心创新：纯视觉认知的突破

传统的多模态模型通常依赖语言或标签数据来学习知识。然而，语言并不能捕捉真实世界中的所有信息。VideoWorld通过去除语言模型，实现了统一执行理解和推理任务，基于潜在动态模型（LDM），高效压缩视频帧间的变化信息，提升知识学习效率和效果。

实验结果显示，VideoWorld在仅有300M参数的情况下表现显著。达到专业5段9x9围棋水平，并能够在多种环境中执行机器人任务。

技术突破的行业影响

VideoWorld的发布为人工智能领域带来了新可能性，尤其在视频生成、自动驾驶、医疗影像等领域。纯视觉认知模型可以更直观地理解和生成视频内容，减少对语言描述的依赖，提高生成效率和质量。在自动驾驶领域，技术可提升车辆对环境的理解和决策能力。在医疗影像分析中，辅助医生进行诊断和治疗规划。

开源背后的战略考量和挑战

开源有助于加速技术普及，吸引开发者社区，建立行业标准。但也带来挑战，包括知识产权保护、竞争模仿和社区管理等方面。对于投资者来说，VideoWorld的发布标志着AI技术的重要突破，纯视觉认知模型的应用前景广阔，相关企业有望获得新增长点。