（来源：上观新闻）
我们的目🔦的是推动具身智能🎨🐤在真实🧠场景中🥗🕊落地，你🦒🇹🇬要落地跑通🧖♀️🖕一个场景🗾🧪，既要有足够稳☁定的本体，🇨🇼😳足够灵活📮运用的智能🌧🍭，又要🔬🌑有很强泛🇨🇰化性能作业水💀平，同时它还要🔽⬅作为人机接口🇬🇭🧛♂️，能快速的部☑😥署👩✈️👇。晚点：你🆗觉得你🥯讲出来的话大家能🇱🇺相信多少🤢？ 俞浩：我的➗表达能力一直很👨👨👦🇵🇸差，有些人会🌟觉得我🥵🐊挺能讲的，😒🌕很多人是想🥙🌗了 1，别人听🛤了 2 跟 3😝，我常常🍎是想到 10，但🇧🇱🏄♀️我只能✔💮讲出 🤖🎧1 跟 2🐾🇻🇨，对方听完之后👒可能只⏰🕘剩 0.1 🇸🇩🦴到 0.2🥭。
对我们来说🎗⛲，这本身⚖🐽就是一份很有😋分量的成绩了◼🧿。具体架构🕒要素：🤱 编码♏😬器 E_θ：🚻ViT-L/⏩H/g💚（300📗🏑M–1B 参数）🗼‼，把视⬅🍰频切成🤸♀️🥮 2×16×🍻🇧🇷16 的 t🧣ubel🧜♀️et 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 3D5️⃣🥜-RoPE 位置🎒编码（时🇸🇪间+H+W）🖤👔 约 90%🧔 的高 m💫📈ask 🌡👇比率，L1 🇺🇸损失，EMA 5️⃣🇦🇽国产片一区二区三区视频tea😬cher 防止🔁⚫表征坍塌 训🇬🇱🤱练数据 Vide🔉oMix22M👩🦰🌸 = 2🍞200 万视🇫🇯🖇频 ≈ 100🙃 万小时互📩联网视频 在☁ Som🏥eth🇹🇿ing-Some🇮🇷thing 🎟🥑v2 取🚳😘得 77👨✈️⏰.3% to🎃p-1（运动理🇨🇩🇱🇮解），Epic-⛺🥧Kit📱chen💶🆒s-100 动作🏗预测 39.7 🇸🇻0️⃣R@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♦国产片一区二区三区视频"下一帧的抽🀄👏象语义/🧦♿物理状态"（➗👨🏫物理因果）2️⃣🐚。
