Emu3在生成和感知任务中超越了多个任务的专用模型，表现优于主流开源模型如SDXL、LLaVA，1.6和OpenSora，1.2，同时不需要基于Diffison或组合多种不同架构，Emu3能够根据文本输入生成高质量的图像，通过简单地预测下一个视觉标记来实现，该模型自然支持灵活的分辨率和风格，Emu3...