UMM论文解读05-视频与世界模型篇：UniVideo双流统一、Emu3.5下一状态预测与Lance多任务协同

统一模型在图像领域验证成功后，自然向视频和世界模型延伸。快手可灵与滑铁卢大学的 UniVideo 用 MLLM+MMDiT 双流架构把统一理解/生成/编辑扩展到视频；智源的 Emu3.5 把"下一 token 预测"升维到"下一状态预测"，用 790 年互联网视频训练出一个 34B 的原生多模态世界模型；字节跳动的 Lance 则以 3B 激活参数的双流 MoE，在单个原生模型里系统覆盖图像+视频的理解/生成/编辑。三篇论文代表 UMM 向时空维度扩展的三条路径：工程化双流拼接、第一性原理的原生自回归、以及共享上下文+解耦专家的多任务协同。

系列导航

• 01 基础奠基篇：Transformer、CLIP、LLaVA、DDPM、DiT、VQ-VAE、VQGAN
• 02 早期统一模型篇：Chameleon、Emu3、Transfusion、Show-o
• 03 主流模型篇：Janus-Pro、BAGEL、SenseNova U1
• 04 VCoT 篇：CoVT、Gen-VCoT、Visual Sketchpad、Visual-Aware CoT、CoT-VLA
• 05 视频与世界模型篇（本文）：UniVideo、Emu3.5、Lance
• 06 终章：从统一表征到 AGI 终局之战

为什么视频统一更难

把理解和生成从图像扩展到视频，难度不是线性增加，而是阶跃式增加：

1. 时序维度：图像只需要空间一致性，视频还需要时序一致性——物体不能帧帧变形，运动要符合物理规律。
2. 计算量爆炸：一段 5 秒的 24fps 视频包含 120 帧，token 数量是单张图像的上百倍。
3. 理解和生成的耦合更紧：视频编辑需要理解动作语义、跟踪物体、保持身份，这些都要求理解和生成深度协同。
4. 训练数据稀缺：高质量的视频-文本-编辑三元组数据远比图像数据少。

UniVideo、Emu3.5 和 Lance 用截然不同的策略应对这些挑战。

1. UniVideo：MLLM + MMDiT 双流统一视频框架（2025.10）

论文：UniVideo: Unified Understanding, Generation, and Editing for Videos 作者：Cong Wei, Quande Liu, Zixuan Ye 等（滑铁卢大学 / 快手可灵团队 / 港科大） 链接：https://arxiv.org/abs/2510.08377 项目主页：https://congwei1230.github.io/UniVideo/

核心思路

UniVideo 的策略是"双流设计"：不追求一个模型从底层统一一切，而是让两个擅长不同任务的模型协同工作——MLLM 负责理解指令，MMDiT 负责视觉生成。这和 Transfusion 在图像领域的"AR + Diffusion 共存"思路一脉相承，但扩展到了视频。

架构设计

输入：文本 + 图像/视频（多模态指令）
         │
         ▼
┌─────────────────────┐
│   MLLM（理解流）      │  ← 解析指令、理解视觉内容、生成文本响应
│   提取最后一层隐状态   │
└─────────┬───────────┘
          │ 可训练连接器
          ▼
┌─────────────────────┐
│   MMDiT（生成流）     │  ← 两个分支：
│   分支A：MLLM 语义特征 │     高层语义指导
│   分支B：VAE 视觉特征  │     细粒度像素重建
└─────────┬───────────┘
          │
          ▼
输出：生成/编辑后的视频

1.1 MLLM：指令理解中枢

MLLM 接收文本、图像和视频输入，负责：

• 解析复杂的多模态指令（"把视频里的狗换成猫，保持背景不变"）。
• 理解参考图像/视频的内容和风格。
• 生成文本响应（对于理解类任务）。
• 提取最后一层 Transformer 的隐状态，这些隐状态编码了丰富的多模态语义信息。

关键设计：MLLM 保持原有的文本生成能力不变。它不是被"改造"成视频模型，而是作为一个成熟的理解模块被复用。这降低了训练难度，也保证了语言能力不退化。

1.2 可训练连接器

MLLM 的隐状态通过一个可训练的连接器对齐到 MMDiT 的输入空间。这个连接器是轻量级的（相比整个模型），负责把"理解空间"的表征翻译成"生成空间"能使用的条件信号。

1.3 MMDiT：双流视觉生成

MMDiT（Multimodal Diffusion Transformer）是视频生成的核心。它内部有两个分支：

• 理解流分支：接收来自 MLLM 的高层语义特征，确保生成内容符合指令意图。
• 生成流分支：接收来自 VAE 的细粒度视觉编码（当前帧的 latent），保留纹理、颜色、运动细节。

两个分支在 MMDiT 的 Transformer 层中通过注意力机制交互——语义分支指导"画什么"，视觉分支保证"怎么画"。这种设计对于视频编辑尤其重要：需要同时保持语义正确（换成猫）和视觉一致（背景、光照、运动连贯）。

1.4 统一任务范式

UniVideo 用一套统一的多模态指令格式覆盖所有视频任务：

• 文本/图像到视频生成（T2V / I2V）：根据文本描述或参考图像生成视频。
• 上下文视频生成（In-context Video Generation）：给定视频片段，续写后续内容。
• 上下文视频编辑（In-context Video Editing）：根据指令修改已有视频。
• 视觉提示生成（Visual-prompt-based Generation）：手绘草图、标注线等作为提示，MLLM 理解视觉提示后指导生成。

每个视觉输入被分配一个 ID 标签，模型通过标签区分哪个是参考图、哪个是待编辑视频、哪个是风格参考。三维位置编码区分条件信息和目标视频信息，不需要额外的任务标识。

训练策略

UniVideo 的训练分三个阶段：

1. 阶段一：建立 MLLM-MMDiT 通信机制。训练连接器，让 MLLM 的语义特征能有效指导 MMDiT 生成。
2. 阶段二：提升生成质量。在大规模视频生成数据上训练，提升视觉质量和时序一致性。
3. 阶段三：多任务统一训练。联合训练生成、编辑、理解任务，让模型学会区分任务类型并自适应处理。

关键能力与结果

UniVideo 在多个维度展示了统一设计的优势：

1. SOTA 性能：在 T2V、I2V、上下文生成、上下文编辑等任务上匹配或超越专用 SOTA 基线。

2. 任务组合泛化：支持在单条指令中组合多个能力。例如"把视频中的物体替换成参考图中的物体，同时把风格转换成油画风格"——编辑 + 风格迁移一次完成，不需要为这种组合专门训练。

3. 自由形式视频编辑的零样本迁移：即使没有在自由形式视频编辑数据上训练，UniVideo 也能把大规模图像编辑中学到的编辑能力迁移到视频上。例如"改变视频中的环境"、"替换视频中的材质"——这些未见过的指令也能处理。

4. 视觉提示理解：MLLM 能理解手绘标注和草图，把用户的视觉创意转化为生成指导。这在专业视频制作中很有价值。

设计哲学与局限

UniVideo 代表了"工程化统一"的路线：

• 优势：复用成熟的 MLLM（理解能力有保障）和 MMDiT（生成质量有保障），训练风险低，每个模块可以独立升级。
• 代价：架构上仍然是"两个模型 + 一个连接器"，不是原生统一。MLLM 和 MMDiT 之间的信息通过连接器传递，存在表征鸿沟。推理时需要同时跑两个大模型，计算开销大。

对比 BAGEL 的"一个 Transformer 内部 MoT 双塔"和 SenseNova U1 的"原生统一"，UniVideo 的双流更像是在视频领域重走了 Transfusion 的路——先把两个成熟模块拼起来验证可行性，后续可能走向更深层融合。

2. Emu3.5：从下一 Token 到下一状态的世界模型（2025.10）

论文：Emu3.5: Native Multimodal Models are World Learners 作者：Yufeng Cui, Honghao Chen, Haoge Deng 等（智源 BAAI） 链接：https://arxiv.org/abs/2510.26583 项目主页：https://emu.world/ 代码：https://github.com/baaivision/Emu3.5

核心思路

Emu3 证明了"next-token prediction is all you need"，但纯自回归图像生成有一个致命短板：速度慢。Emu3.5 在两个维度上做了升维：

1. 目标升维：从"下一 token 预测"（Next-Token Prediction, NTP）升维到"下一状态预测"（Next-State Prediction, NSP）。"状态"可以是一个词、一个图像片段，甚至一段视频的下一帧。
2. 效率革命：提出 DiDA（Discrete Diffusion Adaptation，离散扩散适配），把逐 token 自回归解码转换成双向并行预测，单图推理速度提升约 20 倍。

智源研究院院长王仲远称其为"第三个 Scaling 范式"——前两个分别是语言预训练 Scaling 和后训练/推理 Scaling，Emu3.5 证明多模态领域同样存在 Scaling Law。

2.1 Next-State Prediction：统一的训练目标

NSP 是 NTP 的自然推广。在 Emu3 中，模型预测序列中的下一个离散 token；在 Emu3.5 中，模型预测的是"下一个多模态状态"：

• 如果当前状态是文本的中间位置，下一个状态是下一个词 token。
• 如果当前状态是一段叙事中的配图位置，下一个状态是一整张图像（或图像片段）。
• 如果当前状态是视频的一帧，下一个状态是视频的下一帧。
• 如果当前状态是一个机器人操作步骤，下一个状态可以是操作后的视觉结果。

NSP 的关键洞察是：世界本来就是以"状态序列"的方式运行的。视频是连续帧的状态序列，图文交错的文档是文字和图像交替的状态序列，机器人操作是观察-动作循环的状态序列。用统一的 NSP 目标训练，模型天然就能学习这些不同形式的状态转换规律。

2.2 训练数据：790 年的互联网视频

Emu3.5 的预训练数据量达到了新的量级：

• 总数据量：超过 10 万亿 token。
• 主要来源：互联网视频的连续帧和转录文本，累计时长约 790 年。
• 对比：Emu3 的视频数据约 15 年时长，Emu3.5 实现了两个数量级的跨越。
• 数据还包括图文交错网页、图像-文本对等。

为什么视频如此重要？因为视频包含了世界运行的动态记录：物体怎么运动、人怎么操作工具、场景怎么随时间变化、因果关系如何展开。790 年的视频本质上是在让模型"观察"世界 790 年，从中内化物理常识和时空因果。

2.3 模型规模与架构

• 参数：34B（从 Emu3 的 8B 扩大到 34B）。
• 架构：纯 decoder-only Transformer，原生支持交错的视觉-语言输入输出。
• 视觉 tokenizer：在 Emu3 基础上改进，支持更高分辨率和更好的重建质量。
• 后训练：大规模强化学习（RL），增强多模态推理和生成能力。这是首次在自回归多模态架构下落地大规模 RL，为多模态 Scaling 提供了关键支撑。

2.4 DiDA：解决自回归生成的速度瓶颈

Emu3 最大的工程问题是：逐 token 生成一张图需要预测上千个 token，速度远不如扩散模型的并行去噪。DiDA（Discrete Diffusion Adaptation）是 Emu3.5 的核心工程创新：

核心思想：保留自回归预训练的模型权重，但在推理/微调时引入离散扩散机制，把顺序解码改成双向并行预测。

具体来说：

1. 预训练阶段：模型用标准 NTP/NSP 目标训练，学会逐 token 预测。这一步保留了自回归训练的所有优势——简单、稳定、Scaling Law 明确。

2. DiDA 适配阶段：在预训练模型上微调，引入离散扩散的噪声调度：

   • 给图像 token 序列随机 mask 掉一部分（类似 BERT 的 masked modeling，但有噪声调度）。
   • 训练模型根据未 mask 的 token 双向预测被 mask 的 token。
   • 这和 Show-o 的离散扩散思路类似，但 DiDA 的贡献在于证明了可以在已有的自回归预训练模型上"适配"出这种能力，不需要从头训练。

3. 推理阶段：

   • 文本部分仍然用自回归（逐 token 生成，因为语言需要顺序性）。
   • 图像/视频部分用离散扩散并行解码（多步去噪，每步同时预测所有位置）。
   • 单图推理速度提升约 20 倍，质量不降级。

DiDA 的意义在于它同时享受了两个世界的好处：训练时用自回归（简单、可扩展），推理时用扩散（快速、并行）。这是对 Emu3"纯自回归"路线的工程补强，也是对 Transfusion"训练时就混合两种 loss"路线的另一种回答。

2.5 关键能力

Emu3.5 展示了四大类原生多模态能力：

长程视觉-语言生成

模型能生成连贯的多页图文交错内容，例如：

• 分步骤视觉教程（"如何用粘土雕刻火星探险者"——每一步都有配图）。
• 长篇视觉故事（"粘土宇航员在外星森林坠毁，遇到皮卡丘，一起探索发光蘑菇森林"）。
• 角色、风格在多页内容中保持一致。

任意到图像生成（X2I）

• 文本到图像、图像到图像、图像+文本到图像、多图参考到图像。
• 在图像生成和编辑任务上达到与 Gemini 2.5 Flash Image（Nano Banana）相当的性能。
• 在交错生成任务（interleaved generation）上优于 Nano Banana。

复杂文本图像生成

• 精准渲染密集文字（海报、文档、信息图）。
• 支持复杂排版和图文混排。

世界建模能力

这是 Emu3.5 最具想象力的能力：

• 世界探索（World Exploration）：给定一个场景（客厅、教室、埃菲尔铁塔、天坛），生成连贯的第一人称视角探索视频。模型能保持长程空间一致性——左转后看到的物体和之前看到的物体在空间上是自洽的。
• 开放世界具身操作（Open-world Embodied Manipulation）：理解物理世界任务并生成操作步骤的视觉演示——叠衣服、清理台面、超市拣货。每一步都有对应的视觉结果，展示了模型对物理因果的理解。

2.6 为什么称"第三个 Scaling 范式"

王仲远的论断基于三个依据：

1. 架构可扩展：Emu3.5 用纯自回归设计实现多模态大一统，能大规模复用现有计算基础设施（Transformer 训练和推理栈非常成熟）。

2. RL 可扩展：首次在多模态自回归架构下落地大规模强化学习。RL 基础设施（GRPO、RLHF 等）在文本领域已经成熟，现在可以直接迁移到多模态。

3. 性能可扩展：从 Emu3（8B）到 Emu3.5（34B），从 15 年视频到 790 年视频，性能实现了显著跃升，且已经达到产品级水准。这证明了多模态 NSP 目标存在 Scaling Law——更多参数 + 更多数据 = 更好性能。

第三条路线：Lance —— 共享上下文 + 解耦专家路径

UniVideo 是双流拼接，Emu3.5 是纯自回归原生统一。2026 年 8 月字节跳动智能创作实验室开源的 Lance（arXiv:2605.18678，3B 激活参数，Apache 2.0）给出了第三条路：用共享交错序列保证任务互相看见，用双流 MoE 专家保证理解和生成不在同一条参数路径上互相拉扯。

论文一句话：Lance 是一个轻量级原生统一模型，单模型同时支持图像 + 视频的理解、生成与编辑（X2T / X2I / X2V），在 VBench、GenEval、GEdit-Bench、MVBench 上以 3B 激活参数超过多个更大的开源统一模型，全程训练预算不超过 128 张 GPU。

3.1 它要解决的两个矛盾

Lance 在论文开头点明了现有 UMM 的两个根本问题，恰好呼应了 01 篇 ViT-vs-VAE 的表征冲突：

1. 理解 vs 生成的表征错配：理解要高层语义（对齐语言的 ViT 特征），生成要低层连续 latent（保留纹理/几何/时序动态的 VAE 特征）。强行统一表征会互相打架，完全解耦又增加架构复杂度。
2. 任务覆盖不全：之前的统一模型大多困在图文领域，或者只覆盖视频理解+视频生成的子集；编辑、主体驱动生成往往被当成下游微调，没有进入统一多任务训练。Lance 自己的 Table 1 显示，在它之前能把 image/video 的理解-生成-编辑-S2I/S2V 格子全部打勾的原生统一模型几乎没有（UniVideo 是非原生拼接，Emu3.5 部分格子是 △）。

3.2 核心设计：统一上下文 + 解耦能力路径

  文本 ──→ Qwen2.5-VL 词嵌入 ─────────┐
  理解图像/视频 ──→ SigLIP ViT 语义 token ──┤
  生成条件 ──→ 3D 因果 VAE clean latent ──→ 共享交错多模态序列 (MaPE)
  生成目标 ──→ 3D 因果 VAE noisy latent ──┘
                                   │
                    ┌──────────────┴──────────────┐
                    ▼                              ▼
          LLM_UND 理解专家              LLM_GEN 生成专家（MoE 双流）
          文本/语义 token                 VAE latent token
          自回归 next-token               Flow Matching 预测速度
          LM Head → 文本                 Flow Head → 视觉 latent
                    │                              │
                    └──────── 共享上下文注意力 ─────┘

三个关键设计：

1. Unified Context Learning：文本 token、ViT 语义 token、clean VAE 条件 token、noisy VAE 目标 token 全部放进同一个交错序列，理解和生成在注意力层彼此可见——这是它"原生统一"而非拼接的根本。
2. Decoupled Capability Pathways（双流 MoE）：在共享上下文上拆出 LLM_UND（处理文本和语义视觉 token，AR next-token）和 LLM_GEN（处理 VAE latent token，flow matching 预测速度 $v_\theta(x_t,S,t)=x_1-x_0$）。两路专家共享注意力上下文，但参数、表征、目标函数分开，避免理解与生成抢参数。总损失 $\mathcal{L}=\lambda_u\mathcal{L}_{UND}+\lambda_g\mathcal{L}_{GEN}$（不同阶段 CE:MSE 权重在 0.25:1 到 0.5:1 之间）。
3. MaPE（Modality-Aware RoPE）：在 3D-RoPE 基础上，只在时间维给不同视觉 token 组（ViT / clean VAE / noisy VAE）加不同的常量偏移 $\Delta_m$，在全局位置空间显式区分它们的功能角色，同时保持空间布局和组内时序不被破坏。

🧭 和 Transfusion 的血缘：Lance 可以看作 Transfusion（02 篇）"文本走 CE、图像走 diffusion"思想的视频化 + MoE 解耦 + 多任务系统化版本。Transfusion 在图文上验证了双目标共享主干，Lance 把它推进到图像+视频、理解+生成+编辑的全任务空间，并把"共享"收敛到注意力上下文、把"分离"下沉到专家参数。

3.3 训练：四阶段渐进式多任务

Lance 从 Qwen2.5-VL 初始化，冻结 VAE 和 ViT，分四个阶段（论文 Table 2/3/4）：

消融实验（Table 9）给出了一个很有说服力的结论：

• 加入理解数据（Gen.:Und. = 8:2）不只提升理解（MVBench 58.06），还反哺生成（GenEval 81.65、VBench 82.91）；
• 加入多任务生成数据（编辑/主体驱动）同样反向提升视频理解。

这就是标题里 Multi-Task Synergy 的实证——多任务不是简单的能力叠加，而是跨任务正迁移。

3.4 性能：3B 激活参数的"性价比标杆"

定性对比里，Lance 在复杂多人交互（"两人拥抱"）、镜头语言（"中景推到面部特写"）等指令跟随上表现稳定。

3.5 视频时长：有限时长，流式/无限生成留作未来工作

直接回答：Lance 生成的是有限时长的视频片段，不是无限时长。

从论文可以确认三点：

1. 训练目标是固定片段的 flow matching：生成专家对一个 3D 因果 VAE latent block 一次性预测速度场并去噪，输出是有界的视频片段（VBench 评测为标准短视频片段），不是逐 token 无限延展。
2. 架构上有"分段"机制但不是流式生成：论文描述 generalized 3D causal attention 时提到视频按 segment 组织，"each segment attends to preceding clean segments to preserve causal dependencies"——这说明它在上下文/训练层面支持分段条件，但论文没有把它做成或宣称成"任意长视频流式生成"。
3. 作者明确把流式留作未来工作：结论部分第四条 Streaming Multimodal Interaction 写道，集成 streaming perception and generation 才能把 Lance 扩展到 real-time interaction 和 closed-loop agents，并引用了 Self Forcing 等工作。这等于明示当前版本还不是流式/无限生成模型。

它的最大上下文窗口在 CT/SFT 阶段为 70K token，配合 3D 因果 VAE（16× 空间下采样），能承载的视频长度是有上界的；要变长需要扩上下文或引入专门的自回归/流式机制。

⚠️ 和 Emu3.5 的关键差异：Emu3.5 用 next-state prediction（自回归地预测下一状态/帧），在架构上天然更接近"可以一直预测下去"，并以 790 年视频训练支撑长程一致性；Lance 用 flow matching 生成有限片段，长视频要靠分段+跨段条件或未来的流式扩展。两者在"视频能生多长"上的归纳偏置不同。

3.6 为什么它对 UMM 谱系重要

• 它填补了 Table 1 的任务覆盖空白：在 Lance 之前，原生统一模型里能同时打满 image/video 的 understanding-generation-editing-subject driven 全格子的几乎没有。
• 它给出了"统一 vs 解耦"的折中范式：不是 Janus 那种编码器级硬解耦，也不是 Emu3/Chameleon 那种全共享，而是上下文统一 + 专家参数解耦，对中等规模（3B 激活、128 GPU）特别实用。
• 它和 05 篇主题的关系：UniVideo 代表"工程双流"，Emu3.5 代表"原生自回归世界模型"，Lance 代表"原生多任务协同 + 解耦专家"——三者构成视频统一模型的三条现实路径。

三条路线对比

从论文解读 01-05 篇看 UMM 的过去、现在与未来

过去：七篇奠基论文构建了词汇表

Transformer 提供骨干，CLIP/LLaVA 定义了理解范式，DDPM/DiT 定义了生成范式，VQ-VAE/VQGAN 解决了视觉离散化。没有这些，UMM 无从谈起。

现在：四条路线收敛到三个共识

Chameleon/Emu3/Transfusion/Show-o 探索了四条早期路线，Janus-Pro/BAGEL/U1 把它们推到产品级。三个共识已经形成：

1. 一个 Transformer 统一多模态是可行的。
2. MoT（共享注意力 + 分离 FFN）是当前最优架构模式之一。
3. 交错图文数据是能力涌现的关键燃料。

VCoT 五篇论文则展示了统一模型"边看边想"的新能力维度——视觉中间产物不只是"画出来看"，更是模型推理的载体。

未来：视频与世界模型是下一个前沿

UniVideo、Emu3.5 和 Lance 指向同一个方向：统一模型正在从"图像-文本"走向"视频-动作-世界状态"。

• 当模型能预测下一帧、下一状态，它就具备了世界模型的核心能力。
• 当世界模型能理解指令并生成动作，它就成了具身智能的大脑。
• VCoT 和 NSP 的结合——模型先"想象"一系列未来状态，再据此规划行动——很可能是具身智能的关键技术路径。

BAGEL 的世界导航、CoT-VLA 的子目标预测、Emu3.5 的世界探索，这些看似独立的研究正在汇聚成一条清晰的技术线：统一多模态模型 → 视觉思维链 → 世界模型 → 具身智能。

这条线能走多远，取决于三个问题的答案：

1. 视频 Scaling Law 是否成立？ Emu3.5 的初步证据是肯定的，但还需要更多验证。
2. 统一架构能否同时承载实时视频理解和高保真生成？ UniVideo 的双流、Lance 的共享上下文+解耦 MoE 专家都是方案，但可能还不是终局。
3. 世界模型的"世界"有多大？ 是限于特定场景（厨房、客厅），还是能泛化到开放世界？

这些问题的答案，将定义 UMM 下一个阶段的研究议程。

全系列参考链接汇总

基础奠基

• Attention Is All You Need: https://arxiv.org/abs/1706.03762
• CLIP: https://arxiv.org/abs/2103.00020
• LLaVA: https://arxiv.org/abs/2304.08485
• DDPM: https://arxiv.org/abs/2006.11239
• DiT: https://arxiv.org/abs/2212.09748
• VQ-VAE: https://arxiv.org/abs/1711.00937
• VQGAN: https://arxiv.org/abs/2012.09841

早期统一模型

• Chameleon: https://arxiv.org/abs/2405.09818
• Emu3: https://arxiv.org/abs/2409.18869
• Transfusion: https://arxiv.org/abs/2408.11039
• Show-o: https://arxiv.org/abs/2408.12528

主流模型

• Janus-Pro: https://arxiv.org/abs/2501.17811
• BAGEL: https://arxiv.org/abs/2505.14683
• SenseNova U1: https://arxiv.org/abs/2605.12500

VCoT

• Visual Sketchpad: https://arxiv.org/abs/2406.09403
• CoVT: https://arxiv.org/abs/2511.19418
• Gen-VCoT: https://arxiv.org/abs/2606.16783
• Visual-Aware CoT: https://arxiv.org/abs/2512.19686
• CoT-VLA: https://arxiv.org/abs/2503.22020

视频与世界模型

• UniVideo: https://arxiv.org/abs/2510.08377
• Emu3.5: https://arxiv.org/abs/2510.26583
• Lance: https://arxiv.org/abs/2605.18678