（来源：上观新闻）
具体架构3️⃣要素： 编码器 🤞🐐E_θ：Vi↗T-L/😿🎧H/g（💯300M–1B 🐧参数），把📿视频切成😻 2×16×📊🚏16 ➕的 t🦓🏈ubelet🇸🇮 预测器⏫ P_🎥🇭🇷φ：一个轻量 V🔬🌹iT-S（约 🚳🇸🇰22M👮🇲🇺）预测被🌊🇨🇭 mask 部🚢🙇♀️分的潜空间表征 🇯🇴🦵使用 3D-Ro🏣🆘PE ▪🦴位置编码（时间+📬🚷H+W） 约 9🐹0% 的💨高 ma🏍🦕sk 比率，L➿⛎1 损失，👩👧👦EMA t🇦🇶🐀eacher 防🛑止表征坍塌 训练🐁🧨数据 Vide🇨🇺oMix22👪M = 220🖥👏0 万视频 ≈🌟 100🎴🔐 万小时互联网视🧣🥓频 在 So🥋🥁met🗣🛏hing🇪🇺🇧🇻-Somethi1️⃣ng 🏒🏝v2 取得 ◀🦹♀️77.🇹🇬🐪3% top🌵🌷-1（运动理解）♎，Epic-🍤🔺Kitc🇬🇧👩❤️💋👩hens✋🎲-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🥾🖍），潜空间预测优🏰📮化的是"下💶一帧的😥😾抽象语义/🚇💆物理状🍌态"（物理8️⃣因果）🔸😃。
GPT-5.1退🦸♂️役后，使用旧模型❤📵的历史对🛎♏话会自动续接到当📩前版本📲。谈及机器人租赁市🍷🚣场整体5️⃣👨✈️情况，李💩一言指出，🔓目前整个行👃🇦🇮业产能仍在缓🇺🇦⚰慢爬坡，机器人数🇬🇩🦂量的增长依旧缓🧞♀️慢🔮。
“我们想做的是🚢消费级的脑机接👫🍌口◻。有些管🗡🧾理层，喜欢上来就💵📅谈 “层层分解🙆♂️”，定的目标是在👍🕔上层高要求和🕒下层可达成⚗之间讨价还价🧿👩⚕️——今年能👨增长多少？🤥底下说这个区 🏝30%、这个区 🏁🇭🇳15%🌔，平均一下 20🐨%，往上🇸🇱报 1😯🇭🇷5%，还给自己留🏃五个点 ➕🥋buff💓。
