VideoWorld是北京交通大学、中国科学技术大学和字节跳动合作开展的一项研究项目，探索深度生成模型是否能仅通过未标注的视频数据学习复杂的知识，包括规则、推理和规划能力。该项目的核心是自回归模型，通过观察视频来获取知识，不依赖于传统的文本或标注数据。

VideoWorld – 字节联合交大等机构推出的自回归视频生成模型 第1张
（图片来源网络，侵删）
VideoWorld – 字节联合交大等机构推出的自回归视频生成模型 第2张
（图片来源网络，侵删）