（来源：上观新闻）
具体架构要素： 🇨🇩编码器 E_θ🥂👒：ViT-L/👜👨👩👧H/g（300M🏳️🌈🚺–1B 参数），📸把视频切🌋成 2🇦🇿🇵🇷×16×16 🤺的 tu🥟🇮🇨bel🚮🌭et 预测器 ⛲P_φ：一个🐁🇸🇲轻量 Vi🕎T-S（🥖约 22M）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🇦🇷⏭ teac🇧🇧💖her 防止表🦁☀征坍塌 💥🛣训练数据 Vi❤deoMix2🕸🚄2M = 2♣200 万视👩🏭🇮🇪频 ≈ 1💭🖖00 万小时🔆互联网视频 在 ⛅🔸Somet⤵🛁hin🇨🇦g-Som👨🍳中文系列ething v📒🚸2 取得🇮🇱⚔ 77.3% 😒🔐top-1（🏴☠️运动理解），E🗿🧪pic🔸-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）👅。
有人认👨🏫👯为，既然A👱I让智力平权⚙，那所有人的🎏竞争力🗯🦞就趋同了，差异🇱🇮🦌消失了🔚🇸🇹。官方入口和第三🇦🇫方入口做一次对🖌照，先排除中📙间商这一📪层🐍。杨立昆点名🕣🐩的 A🈯cem🔫🔁ogl🍢u 其实并不乐🤯♍观💜🖕。拉奥2🅱🧚♀️025年底🙂🇼🇸谈成两笔👿🌰大单：🏀🌠一笔是🇻🇪花300亿美🆎🍑元使用微软的🇸🇽🥬云服务🇳🇫器，这些服务器跑🐓的是英伟达🥄🍸芯片；另👨⚖️一笔是包💇🤤下谷歌最多10🏮0万个TPU☀。
