（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）🈷9️⃣，把视频切👜成 2×16🦏×16 🧬🇮🇩的 tu🇸🇨belet 预测👨❤️💋👨器 P_👣φ：一个🇬🇹轻量 ViT🎣🐟-S（约 22👿🤠M）预🇸🇰😂测被 mask🇿🇦⚱中文字幕专区亚 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 ma🏖sk 比率，L💞1 损失🇩🇪🇪🇦，EMA 🥬🇳🇦teac🍀her 防♏🇬🇷止表征🗯坍塌 训练🤕数据 Vide🗯👓oMix🏕22M = 22🇵🇪00 万视频 🇱🇨≈ 1👑00 万小时互联📅🔲网视频 在 🗿💮Somethi🎌🇪🇹ng-👩🚀🇱🇨Somethi🇻🇺ng v2 取得🌟 77.3% t🎂op-1（运动理🇬🇫解），E📃pic-Kitc👨👩👧👦hens-🎶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🇰🇵）🏏。
举个例子🗡🇮🇲，行业老👞🧀大先推出产品🀄🎅，老二↔可能晚半年推🥑，策略是价格便🏫🅱宜点、供应链差一〽点、员工薪资🍶📃低一点，但🧤👳♀️这个循环导致💧它被锁死在第🤬二名的👨🦲🌵位置🎶☺。第三层：A🦌I叙事的🌛误导🧮👚。“电话被打🙍🏞爆了👨🦱。晚点：汽🦗车业的人士☣🏞评价你对这个🐘🌴行业完🕸全没有敬畏心🍟。放进腰包里🥼。
