（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 tube🔳👨🦲let 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 mask😮😤 比率，L1 🌰🏈损失，E🏴🌠MA t🚡🍒eache🐇r 防止表征坍✉🇵🇾塌 训练数据 🌶VideoMix☄🔜22M = 22💊😨00 万视👨✈️频 ≈ 10🈂0 万小🥏🐵时互联网视🌜频 在 👢🆔Somethin👶📱g-Som🛠◾ethin🇧🇷g v2 取😯🧗♀️得 77〽🎽.3% t☮🏠op-1（🕝🥅运动理解🇨🇨），Epic💜-Kitche🇨🇾ns-100💹 动作🔼预测 🦍39.0️⃣🥅7 R@5⌚（SOT👔A） 👨💻🥁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）🛬😭。
吴皓认为，Tok👎🇹🇷en经济的👝本质是“能力经济🛍的商业闭环☝”，免🦓🔵费模式局🆓部存在，但不🤒会是主👞🥩流🐊🛣。同时我们🔫🥫整体的运营节🇦🇱😲奏，做什么🦎事，花多少🎏🦁钱，都有明确规划🤦♂️🗻。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🇮🇸🇲🇸×16×16🇲🇱 的 tube⏳⏳let 预测器 💭🐼P_φ：一🏪个轻量 👩🍳ViT-S♈🥶（约 22M）预♈测被 m💻ask🤠 部分的潜📵空间表征🧳🍉 使用 3🔱📙D-RoP👨E 位〽置编码（时间🇪🇬+H+W🈷） 约 🚎90% 的高 m🛵ask 🏗㊙比率，L1 🇸🇬损失，EMA🎷 te🔲👓acher 防🥝🐥止表征坍塌 训练😲👽数据 V↗ideoMi3️⃣👚x22🇵🇾📖M = 220✨🙋0 万🛍视频 ≈ 1🕧00 万小时互联🎙网视频 在 🏷📖Somethi🇳🇦🥽ng-Some👨👦👦💱thing v2🎯 取得 77🐽.3% top🤾♀️👘-1（运动理解🔃💱），Epic-K🍝😕itchens-⏹🐨100 动作预🎊测 39.7 🇬🇳R@5（S🇸🇿🔌OTA） 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）🐄🔉。
作者 |🔂📣 松壑 4👨👨👧月17🙈👞日，The In👛🚴for🕤mation💪👩✈️放出一条消息：🇰🇲📔DeepSee🤘👗k正在和部分机构💤洽谈融资事❤宜，目标🎪🚚至少3亿美元，🍊估值超过1👨👩👧👧🌜00亿🛫📕。更优雅的是，还是🇵🇼开源的♈🤷♂️。“不管是人🇲🇳🇬🇾形机器人还🥚是商用🤧和工业😎👩👦机器人，都要紧☣密深耕场⏩景才能产业化、💠↗规模化🚷🦷。无论Dee🇲🇲pSe😷ek能否再给世🇧🇷人以震撼，它🚮🍝所展现的🌃🎟世界观和方法论，⏬📆都极大💂♀️🌙支撑了对通用大©🔹模型的🌔🦇理解甚至对顶尖人🇻🇬才的理🍍解🎾。
