（来源：上观新闻）
我们的目的是推🐪😽动具身🚎智能在真🇭🇰🥚实场景中落地🌳🐟，你要落地🦅跑通一个🇳🇦场景，既要有足🥪够稳定的本体，🇬🇩足够灵活运用的智👩🚒🚿能，又要有很强泛🇹🇭🇹🇬化性能作业水平，🇱🇾♥同时它还要作为🗿📑人机接口，能😵🔘快速的部署🦢🌡。社区已经有针对🚲性的指纹💕验证工具，可🦛🔝以检测返🥽回的模型是否🙅♂️🧀与声称的一致☹。”施瓦格表示🍌，中国在A🌉🌲I领域已经走🥔在全球🖕的前列，👱♀️中国的AI研发成📐💹果也正在👁加速惠及📁💭全球市💽场🙃。
有点左右脑互搏👮♀️内味了🏖🇳🇱。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🛳belet🐕 预测器 P🕯👨🦱_φ：一个🚡轻量 🐕〽ViT-S🇲🇽（约 22M）💚预测被 mas😄👘k 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🎴 ma🏸sk 比率，🦃🍫L1 损🎗失，EMA te🚉acher🙎♂️⛩ 防止表征坍塌🧟♂️⏏ 训练⚠数据 🗳VideoM🥡ix22M = 🇨🇴2200 🅿🧭万视频 ≈ 👨🏭🐤100 万小🇰🇳🍣时互联👩🏫👨👨👧网视频 在✊ So🤹♂️met💛😜hing-👿Some📿⏩thing 🛐v2 取得 77🏫.3% top🇸🇮🇲🇾-1（🎮🥇运动理解），Ep🤗ic-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🌁2019年国产精品手机视频测优化的是"下一🇦🇪帧的抽⭕🇵🇭象语义/物理状态🇨🇼"（物理因果）🇵🇷🥗。
