（来源：上观新闻）
具体架构要素： 🧕🖇编码器 E_θ：🧙♂️ViT-L/🎈🦂H/g（3🏚📍00M–1B🔔😟 参数），把视📍频切成 🇦🇲2×16🚼×16 的 🇱🇾💚tubelet 👻预测器 P_φ🔱🇬🇼：一个轻量 🛢ViT-S（约 🇧🇲22M）预测被🎄☪ mask👩🦱🌛 部分的潜空间😻🛒表征 使📊🎙用 3D♣-RoPE 位🇰🇭置编码💫💌（时间👌+H+W）🇲🇼🎍 约 90😜% 的高 mas📛⛈k 比率🇬🇪🦎，L1🇵🇱 损失，E🇵🇸MA teac🔳her 防止🇨🇬🧑表征坍塌 训🇮🇶🚪练数据 Vide🍣oMix22M🚈😳 = 2200 🦄👹很很视频在现万视频 ≈🎢 100 〰🇲🇪万小时互联网视频🥴 在 🇲🇦🧳Some⛱🌇thing-👩🦲🍀Som👱🍑ething v🍄👩👩👧👦2 取得 7🎯🏴7.3% 🧮🍘top-1🎦（运动🔋理解）🐏🐊，Ep🎐🕘很很视频在现ic-Ki🏢🥚tchen🌹💆♂️s-100🇲🇫😋 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）🇳🇮。
一位头⛽Ⓜ部VC投资人告诉🏯虎嗅，“融🌋❤资并不会👤改变什么”🇦🇿。骗你的🧙♂️，想刷还没得🎾😊刷呢🕙🧬。部署层：目🇸🇾前测试👃都在 J⏱etson🇬🇸 Thor🇸🇦 和 A1🙏00，真正的🏪车规级功能安全认🏚证（ISO 🥟🔵262🥅😡62 ASIL-👆😂D）、OEM 整💝车集成、与现🌓😍有 F🦸♀️CW/AEB 通▫🌂路的仲裁逻辑都还9️⃣在产品🐆📬化阶段；🛣🥧66 ms 📃🔴预算对 L2+😟🧢 足够，🇫🇯🇸🇲对 L4 ⬜规划闭🅱环可能🔶很很视频在现偏紧😳。
