哎 本版的知识和智力水平堕落的如此之快吗？ MindVLA o1的论文里3D ViT Encoder上面的输入源画的不清楚吗？
【 在 kof94 的大作中提到: 】
: 在感知层面，理想不再采用传统的 “2D 摄像头 + 激光雷达” 方案，开始使用 3D ViT 技术。李想解释说，这套系统能够做到 “像人一样感知和理解物理世界，而不只是通过看视频的方式”。这要求理想从视频编码器到整个模型研发，再到为编码器和模型提供计算支持的芯片，都进行联合设计。
--
FROM 111.119.209.*