（来源：上观新闻）
具体架构要素： 🏂🧑编码器 E_θ：🛣👌ViT-L/H/🥩🇧🇼g（300M🧾⏱–1B 参数），🍟🙆♂️把视频切成 2×🗽16×16💽🦴 的 🚲👩tubel↪🔦et 预测器 P🦝🇳🇦_φ：🚾🇭🇷一个轻量 🐉ViT-S（约📝 22M）🇱🇾🥦预测被 ma🎡👨👧👦sk 部🤥分的潜🐶⛔空间表征 🇧🇾使用 🎯🐾3D-Ro🍝PE 位置编码🦚（时间+H+W）🐵🚯 约 90%😻🏚 的高 mas🧳k 比🚵率，L1 损失，🧢🇦🇱EMA teac🇲🇬her🇸🇯 防止表征坍塌👡🧹 训练数据🦹♂️♨ Vide🇮🇶🆙oMix22🇱🇨🍌M = 2📗200🍐🚄 万视频 ≈📪🏢 10😙0 万小时💙🤳互联网视频 在🎩⤵ Som🏊eth🕔ing-🏌✅Somet🧚♂️👵hin🆘g v2 取🎽得 7😑7.3% top👨⚖️👨❤️💋👨-1（运动理解）🖋，Epi✉👄c-Kitch🛩🐼ens🏴🤤-100 💤👥动作预测🚣 39.7🗒🚬 R@5👵🏦（SOTA） 为🖕🎻什么像素重建不🥕🇨🇺久久久久久久久久久久久女国产乱适合碰撞预测，而🇨🇴潜空间预测适合🏦🐱？像素重建优化的🖕是"下一🌀😐帧长什么样🍦🙂"（视觉保真度🎛），潜🍗🇲🇷空间预测💒😈优化的是"下一🧣🇦🇲帧的抽👨🦳象语义/物理◼🚠状态"（物理🇵🇭🗒因果）💹。
"我觉得📿🤖他很聪明，"B🔼🔯rand🦍 回忆道♌⚰。Marvel🤷♂️l在此次合🌏作中将担任设☦✌计服务合作伙伴角🤢⚔色，这与此前联发😘科参与🏢👫谷歌Ironwo🤛🌇od TP🇨🇬U项目的模🚷👤式类似↕。很多人成功，是因🧯为他们亲♍自去做、靠经验去👙测，但那🏇种成功是概率性的💺。这一块目🎻⛏前还有很多工程🎗🦋化的难点需🌿要突破，🌜我们今年🦀🗺会加快攻关，到〽🎯Q3/1️⃣🍈Q4时，大家🌋🤯就能够在真实🇩🇴🈴的日常生活里🐀🇰🇼，比如去📯某家商场🍈吃饭，买衣服✅🇳🇴，看到智🚖元机器🛃人在跟你交互🐝。
