（来源：上观新闻）
晚点：有🗼🇨🇷企业认为🦏🇲🇨自己如果能把🤞几十亿美元⛈😁规模的中小品😱🎠类做好🧧，也能成🇸🇯长为一个巨头🔭。国内虽然在追👳♀️🐿赶，差🧖♀️距没有那么大🇬🇫。如果大家🥋👌都这么做🇨🇨，这个策略就😃✝会拥挤🤒🚴♀️、失效👩👩👧🥈。具体架构要素： 😃编码器 E_🇲🇪θ：Vi⬜👹T-L/🌏H/g🛎（300M👈–1B 参数），🇨🇵📩把视频🦍切成 2×🦛16×1⏯6 的 t🦔ube📉let😮 预测器 P_φ🔪：一个轻量🌑🇳🇱 ViT-S（约💸☑ 22M）预测被😴 mask 部🇦🇼分的潜⚪空间表征 使用🥗1️⃣ 3D-RoPE📖 位置编码（时间🥑📕+H+🔯💽W） 约 90🎶🍉% 的高 ma🕋粉嫩精品成人sk 比率，L🏎1 损🇱🇦失，EMA 🈶teach🉐er 防止表🤲👏征坍塌🛤 训练🇱🇰数据 Video🇪🇪🍜Mix22M =🚬🌕 220🏓🦎0 万视频 ≈ 🥒100🇨🇵 万小时👨🦲互联网视频 在⛄🤡 Somethi❇ng-Some👩👧🐇thin🥎g v2 🔼取得 77.⚜💌3% top-1🔕🧴（运动🇱🇸理解），Epic👩⚕️-Kit🍮😯che😏ns-100 🌁🤢动作预测 39.🌥🕛7 R@5（🛩SOTA）🚽 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）🛄。
（图源🎋🖱/企业）🇳🇺 基于内🇹🇴🤤置的世界观、🇧🇫知识库，每个实🦌😹体玩偶🀄都代表了一种👨👩👧👧🌖思维方式和学科🖖方向，杨冰🥐介绍称“🛂🇴🇲我们发📶现，当孩子🥁🏴提出一个🍒问题，📮比如‘🇹🇯天为什么🦍🦡是蓝色’时，🇼🇫并不一定想🚫要一个科学🇧🇱的答案，所以♾️我们的🇺🇲🇪🇬玩偶也👩✈️会根据自己的世🇸🇩🦇界观和上下文💩做出各🇧🇻种不同的回答，🗂🇹🇩可能是艺术的、⛹️♀️🤾♂️可能是文🕴🇦🇼学的、也可🚤👨🔬能是科学的🚼。
