（来源：上观新闻）
晚点：那为什么🤬☮不先做✍🔩后说？ 俞浩：⛈我们本来不打算🚝📍说，但我🇲🇭们藏不住🏴🇧🇲了，当汽🇬🇦🎃车团队达🥚🙎到 80🇬🇩0 人、🍈手机也有几百人的☂🇸🇬时候，外界有很多🇨🇼传言，而传言会🕢带来很多误会📑。幻方的🇹🇰😥50亿收入🕞，在Chat🦎bot时代👇👋是绰绰有余♦。柔性线束不像🇺🇿刚性零件，🚖可以预判🥎位置；它会动🇰🇾、会变形、会有误🧕🏈差🕺📑。于是，记者来了🇬🇾，问我®都有啥，我说😲🥶吸尘器、扫地机、💂充电宝🐵🔮，对方就觉得这↔🅱怎么写呢🔜？不好意思…🏜…走了♓。
“机器人们”同台🐒竞技，不仅让公众↙⚾看到了行业😡的蓬勃生态，更🏊♀️让资本🌼🏌️♀️看到了技👐🍮术落地的潜力⚙。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 t🥒ubelet 预🌴测器 P_📎狠狠撸一区二区三区φ：一个轻量🛶🧤 Vi🌅🦹♀️T-S（约🍄🇾🇪 22M🎊🔳）预测🇬🇦被 ma🇹🇰😞sk 🇭🇷🚍部分的潜空间🎼💆♂️表征 使🇪🇷💐用 3D-RoP💹E 位置编♻🕗码（时间😚🈹+H+W） 约 👇90%4️⃣ 的高 ma🎱❕sk 比率，🏐🇧🇿L1 损🇹🇲🇦🇷失，E🥮🥓MA t🥞each👯🧾er 防止表征🙉⛱坍塌 训练数据🚝🎵 Vi🎩deoMix2😇🧽2M =⭐ 2200 万🍛视频 ≈ 1🌠🇧🇧00 万小时互联👁网视频 在 So🖊methi🔢🥼ng-So🇩🇲📲meth😟ing 🙃v2 取得⚽🎅 77.🚿3% top-1🚅（运动理解），👨🏫🇳🇴Epic-K🚃⏰itche⚡ns-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🕳🌡因果）👨🚒。
