（来源：上观新闻）
具体架🌾构要素：🔔 编码器 E_θ🚆：ViT-⛈L/H/g⚰📐（300M–1💗🇱🇷B 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 22🇸🇯M）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，EMA 👩🔧teacher 🇻🇺😝防止表🔣征坍塌 训练数🖊🚫据 V💨🙀ideoMix2😠✉2M =🌻 2200 万🇮🇶🦀视频 ≈ 100🔄 万小时互联🚔🇪🇦网视频 在 So🔆🌨mething✝🧵-Some🐮thi◻ng v2 取🇹🇻🦸♀️得 77.🈂3% t✡op-1⛵👨🔬（运动理😊🌡解），😷🕐Epic-Kiℹtchens-1🧸00 🕛🌊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8️⃣🈺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）🏃♀️👨💼。
” 为了🎉实现这一目标，京🇳🇨🦚东方面搭建了一套✍🤙完整的具🤷♀️身数据基础设🤱施，从最底⬛层的数据采集设🇬🇪🇸🇯备，中间🇻🇬🆗层的数据处理平台🛵、训练🔼各种各样的🇵🇱🍬具身模型🔰🗝，以及最上层针📘对不同👌😙场景的具身数据集3️⃣🛶。晚点：🇸🇿你说王兴是 “🇵🇾清华方法论” 的😅极致，你也⚰是清华毕业🎁👤的，那你是什🙆♂️🎴么的极🇾🇹📇致？ 俞浩🥮📿蝌蚪窝自拍视频：“假定世界不🇯🇵📵可知” 的极致👮♀️😤。
