A Standard Intelligence revelou o FDM-1, um modelo básico que trata a interação do computador como um fluxo de vídeo de alta fidelidade, em vez de uma série de imagens estáticas.
Ao compactar duas horas de vídeo de 30 FPS em apenas 1 milhão de tokens, essa arquitetura alcança um ganho de eficiência de 100x em relação aos modelos de linguagem de visão existentes.
A mudança de LLMs reaproveitados para "Modelos de Dinâmica Forward" nativos representa uma mudança fundamental em direção à modelagem mundial em ambientes digitais.
Devemos analisar criticamente a capacidade de transferência “Sim-to-Real” que permite que um modelo treinado em gravações de tela dirija um veículo físico com o mínimo de ajuste fino.
O pivô técnico em direção à Modelagem Dinâmica Inversa (IDM) automatiza efetivamente o processo de rotulagem, tornando obsoletos os conjuntos de dados humanos-contratantes para dimensionar ações do computador.
Estou questionando a confiabilidade das taxas de alta compactação ao navegar em elementos de interface de usuário modernos que dependem de mudanças de estado de subpixel e microinterações.
O ponto cego estratégico continua sendo a ausência de uma camada de planejamento semântico de alto nível em um modelo que prioriza o visual de forma reativa em detrimento da lógica simbólica.
A Standard Intelligence está apostando que o uso geral do computador é um problema com restrição de dados que pode ser resolvido através do grande volume de vídeos não rotulados na Internet.
Se os agentes nativos de vídeo puderem manter a inferência de 30 FPS sem a sobrecarga do raciocínio da Cadeia de Pensamento, o custo do trabalho digital autônomo entrará em colapso.
A transição para arquiteturas centradas em vídeo marca o início de um regime de computação restrita, onde a velocidade da simulação é o principal diferencial competitivo.
Link: https://si.inc/posts/fdm1/