（来源：上观新闻）
具体架构要素🇧🇿： 编码器 E🏇🔨_θ：V👸🐴iT-📔L/H/g😍（300👩👧👦➕M–1B 参数）👴🍲，把视频切🎳👩🍳成 2🧗♀️🇧🇫×16×16👘🧭 的 tu🚚belet ⌚预测器 🇰🇲🐇P_φ🇵🇸🇬🇸：一个轻量 Vi🎍🚠T-S（约 2🧸🇵🇷2M）预🎞🔁测被 ma🆕sk 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，L🌜💘1 损失，📟EMA tea🇨🇺cher 🔮🇸🇬防止表征坍🍓🇰🇲塌 训练数👁据 Vid🇲🇾eoMix22M⭐🔶 = 2🤢7️⃣200 万视🥢频 ≈ 100🥼 万小🍂🇸🇯时互联网视🛤频 在 S🗞🇺🇸omet🥊hing-Som🇲🇬🐙ething 🥯🔠v2 取得 7💺🌐7.3👩👧👧🐑% top-1🎲🧛♀️（运动理👳♀️解），🧜♀️👩🚀Epic-🚒🇪🇺Kitch❓ens-10👩👩👧👦🤔0 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📰成人一区二区三区网站化的是"🇳🇨🇲🇱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）🥕💇。
这种做法能🔯🥴更好地利🥚用大规模数据⏫🇨🇲进行泛化能力提🇷🇪🇲🇺升，但也🇨🇦🥝面临模型🙂👨🚒可解释🧶性和长尾场🍻🌖景泛化的挑📶战😻。邱谆对虎嗅🤓说道🖖🐴。清醒地认识📿🐜到：你真🥋正的竞争力，从来👨🎨🍷不是你能做什🇮🇶么，而是你能做什🤫🕷么是别人做不🈴🙁了的♻。瓦特改良了蒸汽🌃🇧🇧机，瓦特之前🇳🇪已经有蒸汽机🈵。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✒。
