（来源：上观新闻）
但这种效率，并⏪不是凭🛹空出现的🇲🇳。具体架构要素： 🏧编码器 E_θ：🤛ViT-L/🚞H/g🏊（300🗑💆♂️M–1B 🇧🇶😛欧美视频网站参数）👨👨👧👧，把视🈺🚞频切成 2×1💗6×16🐺 的 tu✨belet 预🌈🐦测器 P🤥_φ：一个🗑🇯🇪轻量 ViT-S🚆🤪（约 22⚗⏩M）预测被 🍙🧜♂️mask🏵㊗ 部分的🇨🇼潜空间表征 👨👨👧👧🍧使用 3D😨-RoP🎾E 位置🕘🐍编码（时☪🇲🇽间+H+W🍁🕝） 约 90% 🇧🇦🆕的高 mas👨🦰k 比率，🚑L1 损失，🤷♂️EMA tea🦉⚪cher 防止🇶🇦🧶表征坍塌 训练🇧🇹🎟欧美视频网站数据 Vid👶🤼♂️eoMix🙆♂️🇸🇬22M = 🇸🇧🀄220⏯🐁0 万视频 ≈🎛☠ 100 万小时🈶🍖互联网视频 🀄在 Someth⛵ing-Som🧓🍿ethi🇨🇨ng 👿🇩🇬v2 取得 🦐77.3%🏍 top-1◼🌔（运动🈺理解），Epi😩🇵🇭c-K🍃itchens🇭🇰-100 动作🧮预测 39.7 😗R@5🐀（SO⚱TA）➡ 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🌓ℹ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）🚻🇻🇨。
但紧接着，他⚗🐇又补了一句：📱🐞“也是幸福的烦恼🌦🍈。图源：M🏠🎷iniMax🇬🇸 在 🕛40 个超过🌈👌 2000 💒Token 的🏒🍥复杂 Sk😋ills 👩✈️测试中，M2👺🇳🇷.7 保持了🤢👄 97% 的遵循🙆♂️率；Toola🚣♀️thon 工具👨🏭调用正🇬🇹🧻确率 46🇸🇴🕘.3%，☑😞进入全球第一梯🆎🇧🇧队；在 🤫🧱MiniMa😿x 自🇸🇮建的 MMC🇸🇽欧美视频网站law 评测集上💣达到接近📋 Son📀📆net 4🕌.6 的水平🇳🇿🌟。如果大🔥⚜家都这么做👨💼欧美视频网站，这个策略就会拥⏱🧫挤、失效🥯🏎。我认为在今天的🚥🧲中国，一😻个能做多品♒类的公🙃🙂司，天然🏴☠️比一个单一品🍙🕦类公司更📤厉害；一个全💧🥬球化的☺👩👩👧公司，天然🎹比一个🎮〽局部市场更有优势🤰🕸。
