（来源：上观新闻）
“它就是一❓📍个封闭场👩💼🥍景下的特定任⛷🇲🇿务，数据也⚓✨比较好收集🇸🇱。过去一⚱🇬🇵年，对于字节跳动🇸🇨🐥来说，除了T🇧🇭ikTok美国业🃏务运营方🏨🥧案的落地，国际🙈电商业务的快🇲🇽🧣速增长🥿与AI业🐼务的大🦎💤幅投入💝🍽，是最吸引外界的↗♦两个关注点🇯🇪。
本质是因为 🦵🌎insta36🌯0 突然 1🧲🕵️♀️000 亿市值👩🎤🇹🇭，大家✡要解读他是🦃🤝怎么成功的🎒。当所有“🤵♌一人公司”都能🇨🇾🛹被看见、被信任、🥐♠被托举🖼，个体创新就📎不再是孤独的冒⚡♨险，而✋🌱是一场人与城双向🦃🖤日本乱熟奔赴的美🧫好远行🌛🇭🇰。
具体架构🔢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 🧶🔮tubelet 🔅🆙预测器 P_🇦🇫0️⃣φ：一🇬🇹▪个轻量 ViT-🇵🇾S（约 22🤡♠M）预测被🎥✊ ma⤵🕌sk 部分的潜♿🇸🇭空间表征 使用👻👄 3D-🇳🇦RoPE 位置编💣码（时间+🔦🇫🇲H+W） 🛐约 90% 的♍🧫高 ma😕sk 比🚴♀️率，L1 损失，🇱🇨🤤EMA t🇩🇬👩👧eache🌯r 防止😔🌤表征坍塌 训练🇲🇿🍂数据 V🗨♥ide👨❤️👨oMix❎🇬🇸22M =😓😣 22🥖00 万视频 💃🔛≈ 100 万🏙😽小时互联网视👋📬频 在 S📬ome🎮thing-So🇺🇬mething⚓🐐 v2 取得 👀77.3%🦁 top-🇭🇳👪1（运动理解）🐤，Epic-🍴Kitc🏃🚡hens-🇯🇴😦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🚅😑日本乱熟间预测🛹优化的是"🏍下一帧的抽👚📬象语义/物理状态🙋♂️"（物理因🐫果）*️⃣。
