（来源：上观新闻）
具体架构要素：👩👦👦👨👦👦 编码器 E_🍅θ：Vi💷🎂T-L/🌰H/g（300❇M–1B🏉🇵🇸 参数），🛄🇲🇼把视频切成 2🥊🦒×16×16🎓 的 tubel🐷et 😦预测器🚞🔰 P_φ：一个🛳🦔轻量 V↪⁉iT-S（🔺约 22M）☣◻预测被 m🔛ask🚋 部分的潜空间📷表征 使用🕗🇲🇶 3D-RoPE🇰🇲 位置编码👛（时间+H+W）🦛 约 90🍸% 的高 mas🏧k 比率🇬🇦，L1 损失🏤，EM🦃🇹🇿A teac🏕her 防🕗止表征坍塌 训练🧐数据 Video✍Mix22M📩👄 = 2200🥬 万视频 🇵🇼≈ 10👩🍀0 万小时互联🇵🇬网视频 在🇯🇴 Som🇨🇷ething🍛🤩-Som🇪🇺🕙ething🌮 v2 取得 🏅🕤77.3% to👲🖍p-1（🤖运动理解🚠🐊），Epi⏺🔨c-Kitch⛽🚍ens-100🇦🇮 动作预测😢 39.7🇸🇳🌴 R@5（SOT♣A） 为🈴什么像素重建📑不适合碰撞🌛🥅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👦）👨🚀。
路径的✅清晰与未知 🧛♂️回看 Min⛴🌨iMax 过去🐑半年的布局：M↖2.7 在模型🏃层围绕 Age👲✍nt 框🧔✍架做深度👳优化；Max🚮Herm👗es 和💻 MaxC⛹🇳🇮law 在产品层🙀🇦🇫同时卡⛎💷住两个最🤹♂️热的 👩⚖️6️⃣Agent 🇸🇭👍生态入口，打通👺☎国内协作平台，🎏🧞♀️把开源架😦🔰构变成开🦙箱即用的🏌️♀️⏮云端服务；🍆👩💻海外社区😂的自发❎采用则🇧🇶🧟♀️提供了规模🏈📡验证和数据👟🌄反馈😪🎒。
