（来源：上观新闻）
针对视频计数能力👾，题目会依次询问🏃⏫单帧里🛬的运动☸👕员人数、☀单一片段里的💊动作种类、跨片🎊段同一个动作👨🦰的执行次数，🌾➡最后追🛫问整个视频的片🚢🗼段总数📡。哪个模↗💓型好，开发🇴🇲🇸🇲者一测便👂知😥🍱。质检团队🇬🇼拿着Gemini🧜♂️-3-Pro在🌦🎀纯文本模🚞式下做题，只要发🍚现题目不🐏看视频光🧕🇨🇻靠读字就能猜👩⚕️🥄出答案👧✅，就立刻🐘打回重造🌑☑。一旦抽掉字幕，😼仅靠纯视觉画面去😰思考，很多🛹🤭模型不🏍仅没有进步，反😄🎿而出现了👩✈️🧟♂️严重的性能倒退📵。
啥意思？就是一➖🍨个动作🔀解码器（🖐🐪约1.1🗣亿参数🦏🌘），喂🎨🇲🇨给这三💆♂️个世界模型都🐒👩🔬能用🛥🐺。这和黄仁🧒🐃勋提出的"Tok♓😥en工厂"🎽😨，形成了一👨🏫个有意思的对照👩🔬👇。因此，许多本身具🆕备深厚积累的模拟🍧🎟厂商，也在🇦🇬不断入局MCU🦔💎。但Clo🆒🗣ud Ne🌞xt讲👺了一个不同的🇹🇨🇧🇬故事，谷歌🇲🇵没有赢🔌模型竞赛，但👩⚖️它把AI重🇺🇲新变回了🧢🇬🇧一个基础设施问题🍕🔁。
