（来源：上观新闻）
具体架构要素：⚱🇸🇿 编码器 E_θ😽🏰：ViT-L/🤧💌H/g（30🈵➕0M–1B 🛥📌参数），把🇹🇹🏍视频切成⚓◾ 2×1🦒6×1🚃6 的🕙 tube🤽♀️🚶let 🇯🇪🐷预测器 P_φ：🖱👩👩👧一个轻量 V🏴iT-S🥭（约 2🎾2M）预测被 m🏤ask 部分🔫的潜空🧞♀️🔦间表征 使用😶👄 3D-R🇵🇰🌡oPE 位置编码🇸🇷（时间+H+🔛🦍W） 🇨🇷🔼约 90% 的💵高 mask 6️⃣🇸🇧比率，L1 损🥓🌹失，EMA te🔔acher🎱 防止表征坍🇹🇹🚟塌 训练数据🚧 VideoM🦍ix22M = 📵🙆♂️220🖇0 万🈶视频 ≈ ✨🇭🇰100 万🍺小时互联网视频 🌭🥓在 Some👹🕔thi🇲🇽👨👨👦ng-Som🥗ething🛎 v2 取得 🐐5️⃣77.3% t🆗op-1（运动理🇵🇬解），Epic🇭🇳🎱-Ki😙tche🥅ns-10😎0 动作预测 🌸39.7 R🇩🇿➖@5（S🏒👿OTA） 为什🍲么像素重建不适合🇺🇾新日本青青草碰撞预测✅，而潜空🐬🇭🇹间预测适🙇♀️🦓合？像素重建🙎优化的🔷🇮🇸是"下一帧长✳8️⃣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👩👧🌉）😯。
晚点：做📀这么多事，你不🛍😿累吗？ 👩🏫🦀俞浩：一点都不🇹🇦累，举例来说，我⬇做了一个 5🖍🐽×10🇮🇷00 的矩阵，1🐋🏺000 是大家🇰🇮🇷🇴理解的 👃BU，5🚀 是规🍯律😰。我们连充🎉电宝都想做，真的🈺，都是看💑👩🎤起来很😇🤖 low 的东👩⚖️西🌸😜。一个大集团股权高🇮🇷度集中时，期权🧾🎠激励和个人🚶业绩往往弱🏡绑定；拆成独🇸🇰立公司🕛🐧后，大家的利益和♎♨最小单元的成败强🏺绑定，🗄效率更高🐐💖。模型必须足够✝精准地完🖊🎊成三件事：🍋✌第一，准确➰🔼判断什么🕕操作值得转🥩🧧化为 Sk🌰ill📤🐘；第二，编🥴写出无 B🤴🌏ug 🇧🇲的 Skill😨🥤 代码；第三，🐃精准评估迭代后的🌧效果优劣🍒。
