（来源：上观新闻）
部署/推🎙🍰理端：论文明确🗓测试了三类平台—🏴— 云端 G🧒PU：NVID🧞♂️☸IA A10🇲🇩⚔0（训练和基准评🔻测） 车载/机器🇸🇧人级边缘：NV😝🕟IDIA 🇺🇬Jets🇺🇿🇰🇷on 🇳🇦Tho🇸🇨👩r / D🐾RIVE🇹🇦 AGX Tho🔒r（66🇹🇨 ms 实时预💧算 @ 16 🌡Hz） 端侧 🧸CPU：Flas🤷♂️h-Lite ⏳甚至能在😲🇲🇺纯 CPU 🛁🌼上满足实时 官方🇼🇸㊙数据显示 🏏💭Flash-L🎶◽ite 在 A1🚼🥽00 上比旗🇲🇻🎚舰快 12 倍，🚒在 N🇩🇬🐖VIDIA👋🦢 Thor 上👡快 5 倍📨🦸♀️。
可解释性层：BA🇸🇭DAS-Re🇬🇧ason 🥙🇲🇩依赖 Qwen🚞♠3-V🎛L-4B🥃🍘 + QL🇳🇺oRA 在 8🇳🇨,68📭☯0 条人工描📴述上微调，这👲🎢部分的👬👨🦳端侧延迟和 OE♻M 合规性在主文🇧🇾实验中未充📟分呈现；另外 🇹🇯FlashAt⏭tention👨👩👧👦 必须关🐬闭（eage👨🔬r atte🧐ntion📖⛰ mode）才能🐰🇱🇮导出权🎇🧜♂️重做热图，这🎮对推理优化🇨🇨🔉有代价😗🇵🇪。具体架🦈🐔构要素🌗🇰🇷： 编码器 E🇰🇵⛴_θ：Vi🚁👻T-L/H/👨🦳g（300M–1⤴B 参数）🇬🇾🕚，把视频切🎀💷成 2×16×1😼6 的 tu🔴belet 预测👩🏭器 P_φ🇵🇫🔉：一个轻量 Vi〽T-S（约 22🍪M）预测🇮🇴被 mas🆕🇨🇫k 部分的潜🏡☎空间表征 使用 🇷🇼📼3D-🚚💫RoP🇫🇯👩👩👦E 位置编码（时🕞间+H+💼W） 约 90%✖ 的高 mas🇨🇵一2成人精品区k 比率，🏣L1 损失，EM🐾A tea◾☣cher 防止表♨⏲一2成人精品区征坍塌 训🤫⤵练数据🃏👀 Video🐁🥑Mix22M =🍬🚊 2200 万视✅频 ≈ 🔌100🔮🤝 万小时互联🚄🇹🇨网视频 在 So🇨🇾meth🥥ing-So🌮meth🦜ing🇧🇹👭 v2 取得 7👨💻🔻7.3% t🕚📆op-1（运动理🤷♀️🍵解），Epic🧕💾-Kitch👩🦳🙍一2成人精品区ens-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💲空间预测优化🤗的是"下一帧的抽👨🔬🇲🇹一2成人精品区象语义/物理状态🦵😌"（物理因🗣👴果）🇮🇸🌮。
