生成视频上,人类偏好并不是可靠的风向标——Dumitru Erhan、Shane Gu、Nicole Brichtova(Google DeepMind)

• 三位嘉宾：主持人（大会方，片中未报名字）介绍——Dumitru Erhan 做视频模型（被调侃为 Google 旧金山「头号办公室网红」）；Shane Gu 做 Omni 的 thinking 和 Gemini 的 RL（强化学习：让模型按奖励信号反复试错来变强）；Nicole Brichtova 负责 Nano Banana 等其余生成式媒体模型，以及本周的全部发布。→ 详细
• Nano Banana 2 Lite：Nicole 说这是家族里最快、最便宜的图像模型，比初代 Nano Banana 还强，生成和编辑都能接替初代，质量「非常接近那些主线大模型的前沿水准」；约 3 秒的延迟解锁了快速构思和迭代，部分输出已能直接当上生产的成品用。→ 详细
• Gemini Omni Flash API：I/O 上预告、这次终于上线，是 Omni 第一次向开发者开放 API，主打视频生成和视频编辑，定价与 Veo 3.1 Fast 相同——「希望让大家用非常划算的价格，拿到非常非常好的质量」。→ 详细
• fofr：Omni 首发时和 Logan（今天没来）录的那期播客里，视频被加进树懒、Ramen 等各种东西（Nicole 分到一只猫，「大概是所有动物里最无聊的」），全出自团队里的 fofr；主持人说早想在自家视频上这么玩，就差一个能自动化的 API。圆桌上称想知道「这东西到底能干什么」，fofr 是头号必关注的人。→ 详细
• fofr 是谁：以前在 Replicate（模型托管与运行平台）待过，匿名；主持人两年来一直想请他来 AIE（AI Engineer 大会）演讲都没请成——他来过现场，但不想上台。→ 详细

• 任意输入 → 视频：Nicole 说可以拿一组图当故事板、一段音轨当角色声音的参考，直接出视频，用于短片制作，也已接进 YouTube Shorts 帮创作者做内容；将来还会放出视频以外的输出模态。→ 详细
• 自然语言改视频：加东西、删东西，比如给太吵的海边度假视频降噪——以前没工具、或不知道该找什么工具，你根本不会去弄。→ 详细
• 已看到的用法：营销广告活动素材、教育素材（朝「按你的知识水平和偏好风格定制」的教育迈一步）；第一方产品里「显然看不到所有用法」，所以期待开发者在 API 里探索。→ 详细
• Dumitru 的家用案例：父母来看他，在 Amazon 上给他们买的小玩意说明书只有英文，他拍照让模型「翻译成罗马尼亚语，其他一切保持原样」，出图一模一样、翻译「大体完美」；他说 Omni 的文字渲染「是另一个级别的」，翻译、国际化、给视频重新配音都用得上。→ 详细

• 问题的来由：主持人引述 xAI 视频团队（Grok 视频）的 Ethan：下一个趋势是「视频 agent」而不是单一模型——等于放弃「一次生成就把所有事搞定」。→ 详细
• 语言约等于世界的因果信息：Shane 说图像、视频生成的起步，本就始于语言模型能给出详细的 caption（画面的文字描述，Stable Diffusion、DALL·E 2 时期）。他的假设：机器学习难在伪相关（有预测力的特征未必是原因），解法要么是覆盖因果图上每种干预的多样数据，要么以因果信息为条件——「以语言为条件，某种程度上就相当于以这个世界的因果信息为条件」，所以泛化好。→ 详细
• 视频模型是时空信息的基础模型：约 8 个月前团队发了《Video Models are Zero-Shot Learners and Reasoners》（视频模型是零样本学习者与推理者），Nano Banana 团队跟进了 Vision Banana 论文——经典视觉任务能零样本搞定（不专门训练就会做）、视觉智力题基本能解、机器人方向看到很好的物理直觉，关键是把视觉推理和文本推理串起来。→ 详细
• 统一还是编排：Shane「估计最终所有东西都会并进单一模型」，但眼下用 Gemini 的视频、图像理解以 agent 方式搭配 Omni，已经能做很多事，团队在大量探索。→ 详细

• Dumitru：看你往未来看多远：工程、研究、产品都有权衡——Nano Banana 2 Lite 服务的是细分需求，未必能和「能生成 4K、30 秒视频」的模型装进同一个 checkpoint（同一份模型权重）。「五年后它们会不会都是同一个模型？大概会。但六个月后，我们大概率还是会有多个不同的模型各司其职。」→ 详细
• Nicole：命名就在暗示方向：叫 Gemini Omni，就是暗示 Gemini 会输入输出全模态，Omni 接下来很可能也生成、编辑图片；但专精模型满足的是「当下的某种需求，而这种需求一年后可能就不存在了」，会继续做。同一轮还抛出一个没答案的研究问题：模态之间有多少迁移（学会 A 能不能帮着学会 B）——图像与视频显然有，音画一起学有价值，编程与视频之间多数人不信、可能纯属浪费，3D 这类不明显的交叉值得探索。→ 详细

• 主持人的困惑：靠 captioning 引导生成「感觉效率非常低」，很多视频本来就是代码生成的（ffmpeg、matplotlib、3Blue1Brown 用的 Manim），代码会不会才是最优表示？甚至干脆输出 0 和 1？→ 详细
• Shane：代码在探索，但语言吃得到预训练的红利：Gemini 团队「肯定在探索用代码来做表示」。但他把问题类比成「chain of thought（思维链：模型先写推理步骤再作答）为什么非得用自然语言」：当下有效的配方是大规模预训练学到智能，用 RL 去提取「依然极其耗费算力」，把推理绑在自然语言上才能直接调用预训练的智能——文本和多模态的很多进展，都靠「文本是一种极好的表示」推动。（他四年前写过《Large Language Models are Zero-Shot Reasoners》。）→ 详细
• Nicole 的更简单版本：「文本就是我们交流的方式」——做人要直接打交道的产品，默认用文本很自然。→ 详细
• 反方：Shane 说 RL 至上主义者认为 CoT「不过就是额外的计算而已」；圆桌上有人笑问是不是 David Silver，主持人接话说他们「刚离开，出去自立门户了」。→ 详细

• 定义太泛就没用了：主持人说本届 World's Fair 的策划主题之一就是世界模型，但这个词没有清晰定义；圆桌上有人接一句「现在什么都是世界模型了」。→ 详细
• Shane 的定义：推荐看 Jitendra Malik（UC Berkeley 元老级计算机视觉教授）和 Schmidhuber 1990 年前后的定义；他自己的最简版是世界模型「就是 model-based RL 里的那个 model」（能预测"做了某个动作后世界会怎样"、再拿来规划的模型）。→ 详细
• 不是只靠语言：主持人说语言这根「细管道」终究是有损压缩，Shane 当场纠正「不不不」——他们说的是视频模型和语言结合，「单靠语言是不够的」。很多人以为 Veo、Omni 就是生成好看视频的，但它是「一个目前还缺失的基础模型」，要做出能与人类匹敌、而不只是聊天型的 AGI，它必不可少。→ 详细

• 是不是把「图生文」反过来就行：主持人这么问（那其实就是扩散过程）。Dumitru 说他早年做的目标检测、识别更简单，生成是歧义大得多的逆映射（从「猫」到一张猫的图片），而视觉产出的合成标签又喂给生成，形成循环；Nicole 说理解越好生成越好，她共事过很多从图像理解转生成、再转视频的人，有人接「这完全是自举式的」。→ 详细
• Shane 的路径：建议从理解、识别（本质是判别器，判断真假好坏的模型）入手，通往生成的桥梁是强化学习；他从 GAN、MNIST 生成起步，转 RL 与机器人，约六年前带过机器人灵巧操作的登月项目，四年前认定「符号层面的 AGI 会比物理 AGI 加速得快得多」而转做语言模型；建议研究者多去接触各社区最顶尖的人怎么想问题。→ 详细
• 视频模型在走语言模型的老路：语言模型从写故事的 demo（GPT-2、LSTM 时代）→ 指令微调后能聊天 → 幻觉多、做不了推理 → 预训练和推理后训练够好，test-time scaling（推理时多花算力换效果）和 RL 才起飞；Shane 预计视频模型也会这样一路走到可靠的世界模型。Dumitru 补充：多媒体还没把理解和生成统一，两者「是同一枚硬币的两面」，但「我不是说我们就应该这么做」。→ 详细

• 机器眼里音视频差别不大：主持人提到三年前用扩散模型做音频的 Riffusion，问音频是否和视频一样难；Dumitru 说技术差别相对次要。→ 详细
• 一个因果过程，就该一次生成：Dumitru 说 Veo 3 是第一个真正「一次性把所有东西都生成出来」的音视频联合模型（此前有的是底层东拼西凑）——背后只有一个因果生成过程，「有某个东西生成了"你在说话"这件事」，嘴唇必须和音频同步；以前先出像素、再硬拼口型「效果非常差」。Veo 3 之后大家的反应是：「你的模型居然没有音频？这说不过去啊。」→ 详细

• Shane：感官信息难以言表：TTS（文字转语音）之外，音乐、语气、音高都难描述，味觉、嗅觉、肤色也一样——他认为这些和生存本能绑在一起（肤色细微差异关乎「这人会不会杀了我」），感官敏感到语言跟不上；一位专业品酒师说自己借用约会时形容伴侣的词来形容酒。→ 详细
• Nicole 与 Dumitru：Nicole 说视觉审美同样难以言表，这正是他们投入世界模型、感知与生成的原因；Dumitru 说 Omni 在音频上的短板看着都是更多、更好的数据能解决的，未必撞上了进化层面的限制；主持人点评这其实是 captioning 的局限。→ 详细
• 参考素材补语言之短：Shane 调侃「你只需要 sref」（Midjourney 的风格参考码）；Nicole 说描述说话方式要用韵律（prosody）、disfluency（言语不流畅）这类多数人不懂的词，语言模型没关注过的地方，缺口会在生成那一侧暴露。→ 详细
• 「录音棚音质」是破绽：主持人（自己做播客）说 AI 视频的破绽之一是录音棚音质，因为训练数据都是棚里录的，而「我离你更远，声音就该更轻、更散」——大房间、车里、电话里的听感各不相同，他拿这点说服质疑世界模型的人。Shane 接着说：caption 不够细，以语言为条件的生成就会「多峰」（同一段描述对应很多种结果），按 VAE（变分自编码器）的老思路应把随机性装进潜在表征，所以 caption 的信息量要足。→ 详细

• Nicole：光看表情就能认出 AI：很多 AI 内容光看人物的面部表情就能认出来（「我们也尽量不去助长它」），还有皮肤质感这类「让东西在现实里看起来真实」的细节。她能从对方点头的样子、微表情的变化读出反应，而模型「这道鸿沟还没完全跨过去」——已经比一年前好太多，但在人类超级敏感的地方还有大得多的提升空间。图像大概已经到了：她看到的很多图片跟现实毫无二致，分不出是不是生成的。→ 详细
• Shane：取决于看的人有多敏感：他在日本出生长大，说日本人极其敏感（所以才有那样的建筑和食物）。他聊过的一位漫画家对生成式 AI 挺反感，点出的就是「眼神」——视线稍微偏一点点，就让人觉得瘆人、不自然，「看起来太假了」。→ 详细

• 实验怎么做的：Nicole 刚说完图像已真假难辨，圆桌上有人接「比现实还好」，Dumitru 笑说至少「比我度假时自己拍的照片还好」，然后讲了团队前阵子做的一个「很好玩的实验」：能不能生成比真实视频还好的视频？做法是拿一段真实视频的描述（caption）复用，用 Omni 生成对应版本，再做一次人工 eval（evaluation，让人来比较打分）。结果「人类大多更喜欢 AI 生成的」。→ 详细
• 「我不是说这是个好结果」：圆桌上有人说那是 RL 过程在起作用，Dumitru 说怎么解释都行、不一定是 RL，关键在于「我们优化的方式可能在某种程度上触发了人脑里的某种东西」——拿一段随机 YouTube 视频和它的生成版并排比，生成版就是看着更好：画面更锐利、更 HDR（高动态范围，亮处暗处细节都更饱满）、肤色更好看。但他连着强调：「它并不是更真实」；「仔细看、深入去看的话，它们其实并不会更有用」；「它不一定能解决你的问题，但它就是看起来更好」。→ 详细
• 结论金句：Dumitru 把这件事收成一句——「在"该优化什么"这件事上，人类偏好并不是一个特别可靠的风向标。如果你只是去问大家"你喜不喜欢这个"，你得到的不一定是你真正想要的。」 换句话说：拿「用户说喜欢」当目标去优化，模型会学会讨好感官，而不是学会把事做对。→ 详细
• 「Instagram 滤镜」效应：Nicole 附和——在街上随便找 10 个人投票，他们大概会更喜欢那种过度平滑、饱和度很高的画面，圆桌上有人一语道破：「那叫 Instagram 滤镜。」这就逼出一个产品问题：用户什么都不指定时，你的默认审美长什么样？她的应对思路是持续加强指令遵循，让想要不同结果的人能通过语言、或者通过参考图拿到——「因为语言有时候局限太大了」；模型一直在进步，但还有很多工作要做。→ 详细

• Shane 四年前的判断：当时有场「prompt engineering 会不会消失」的争论，一些很有分量的人说会，他说不应该——把你想要什么讲清楚，「是你把控制权交给 AI 的时候唯一能控制输出的办法」，而让你能做好 prompt 的，恰恰就是那种敏感度。所以哪怕现在 AI 能做很多 autoprompting（自动替你写 prompt）、能生成够用的东西，也「永远别满足于 AI 生成的内容，要一直打磨你的敏感度，一直针对那些差别继续写 prompt」。→ 详细
• Nicole：普通人的眼睛 vs 几十年的手艺：她把自己归为「普通人那双没受过训练的眼睛」（有些审美感觉、做得够久、有自己的偏好），而漫画家那种可能花几十年打磨手艺的人——做设计、做建筑都一样——专业水平是另一个层级，能看到普通人看不到的东西。→ 详细

• 给全世界定默认值：主持人问 Nicole，作为产品总监给全世界定默认审美有没有压力，圆桌上有人补「默认值总归得存在」；Nicole 先说没想过，随即改口「其实我们确实想过」。→ 详细
• 信息图翻车：Nano Banana Pro 刚出来时，生成的信息图一下子爆发（有人说 NeurIPS 论文好多都配了，还调侃拿水印检测跑跑看有多少——Nicole 说可以但没做过）。她说看着「挺痛苦的」，默认审美「太杂乱了」，模型像「一个有点急于表现的学生」，知道的全塞进一张图；有人插科打诨说日文信息图的密度还得再乘以五，「因为日本就是这种风格」。→ 详细
• Omni 上一起定过配色：Dumitru 说 Omni 最后调优阶段，他们一起讨论过更柔和还是更饱和（有人说「我们那时候饱和度很高」），还打趣 Nicole「只是有 PTSD 所以忘了」——她当时深度参与了定配色。→ 详细
• 该不该交给艺术总监：Nicole 承认定默认审美的最后就是模型团队自己，「我们是做这件事的最佳人选吗？」还是该找真正有创意视角、更像艺术总监的人合作——他们一直在反复权衡。→ 详细

• Trusted testers（受信测试者计划）：主持人说自己就在 Google 的 trusted testers 里，「组织得特别好，每周都有电话会」。Nicole 说这块很多是 Logan 的团队在做，这批人给了大量反馈，团队很认真对待。→ 详细
• 内部挑刺的人看得出团队自己看不出的退化：Nicole 说 Google 内部还有很多像 fofr 这样的人，每次发布新 checkpoint 都给大量反馈，而且常常是团队「自己看不出来的东西」。典型场景：团队觉得「这个优化看起来还行」，结果对方回来就问：「你们干了什么？你们把我的草地全毁了」——因为细节全糊了。也就是说，一次看似无害的优化会在团队没盯着的维度上悄悄退化，天天拿模型干活的人才撞得上。→ 详细
• 婚戒事件：圆桌上 DeepMind 这边有人透露（「这事现在也不算什么大秘密了」）：fofr 刚发现他们的模型老爱往手上加戒指、而且是婚戒；有人说自己之前完全没注意到，是 fofr 发出来之后才想「怎么每只手上都有婚戒？这也太奇怪了」。最要紧的是这句：「这种东西我们在开发的时候未必会注意到。」 做模型的人没发现，是天天试模型的人发现的。→ 详细
• 看着像 reward hacking：有人立刻说「听起来就是很常见的 reward hacking」（奖励投机：模型钻评分信号的空子，学会讨好打分而不是把事做对）；DeepMind 这边有人追问是不是 RL 带来的副作用。Shane 答：说不准，但「你们确实用了大量基于偏好的数据，模型就可能偏好上那种虚假相关——reward hacking 会以各种奇奇怪怪的方式冒出来」。→ 详细

• 问题的来由：主持人说大会有 eval 专场，Character.AI 和 YouTube 会讲他们怎么评估视频——你们怎么评？圆桌上有人笑答「除了靠 fofr 之外」；主持人说「不是每家都有个 fofr」，总得有更量化的办法。有人答：靠提升 Gemini 来提升视频评估是一条路，「只是其实非常难」。→ 详细
• 哪些能自动评，哪些不能：Nicole 说让 autorater（自动评分器，通常用另一个模型来打分）去评视频非常难，尤其是审美。相对客观的是图像里的信息图、文字渲染——能用 OCR（光学字符识别）把字识别出来比对，而且标准是硬的：「渲染出来的文字哪怕错一个字母，这张素材你就根本没法用」，所以这类更容易自动评分。其余的，「我们确实非常依赖人去看，所以我们做大量人工 eval」。→ 详细
• 能力越多、eval 越多，最后靠并排看：每次出新模型都想往里塞更多能力，要跑的 eval 就更多（「每次 Shane 都在那"嗯……"」）。等碰到两个水平很接近的模型，「我们就真的是靠把输出并排摆着看来做决定」——她待过那种会议室，十来个人盯着并排的视频互相问：你更喜欢这个，还是更喜欢那个？→ 详细
• 视频编辑为什么最难评：Dumitru 说能力加得越多越复杂，哪怕只加一项，像视频编辑（再加上带音频的编辑）这种几乎 AGI-complete（难到约等于要先解决通用智能）的能力，评估复杂度就极高——自由形式的编辑「你想做什么都行」。圆桌上有人说编辑是生成式媒体里最难的问题，他说不确定是不是最难，但肯定排得上号；「我们可没有什么"加一只树懒"的 eval」——有人接「那现在该有了」，他说是该有了，但这类东西「真的没那么容易追踪」。（主持人插话：自己在剪辑上花了很多钱，他的剪辑师听到这话会很开心。）→ 详细
• 不止几百个样本：Nicole 列出的几层：主持人惊讶于测模型的全部能力面居然还靠「几百这个量级」。Nicole 纠正说人工 eval 是在几千个样本上做的，而且还有别的层：线上实验（live experiments，在真实使用里做对照），能在大得多的规模上拿到细微差异的信号；autorater——在 LLM 上已经是定义得很清楚的领域，在媒体模型上「还新得多」；再就是人的判断，尤其依赖两类人：审美特别老练的人，和每天在工作流里用这些模型的人。理由是：「你完全可能有一个模型，在某一部分人工 eval 上表现很好，结果却把某个人的工作流彻底搞崩了。」 所以才做抢先体验计划，在更大范围发布之前把反馈吸收进去。→ 详细

• 所有人工活都该被摊销：Nicole 说从表情看得出 Shane 有暴论要讲（「每次我们聊到这个他都这样」）。Shane 的立场是：「所有人工的那类工作，都应该逐步被摊销掉」（amortize：把一次次的人工判断沉淀进模型，以后不再需要人来做），「我们应该始终努力去摊销人工标注」。→ 详细
• 识别 AI 视频，比审美更深一层：他觉得视频理解、尤其是识别 AI 生成的内容，是个极其有意思的视觉任务。一部分是审美、视觉质量；但有些是语义上说不通——比如拿电影里的经典场景重新构建，生成到某处，语义信息前后不一致了，AI 能不能检测出来？他自己评 AI 视频时会觉得「我可真聪明」，说明 AI 在这方面还落后、应该花大力气——视频理解「远不只是纯粹的审美或偏好问题」，是极其重要的智能任务。→ 详细

• 主持人替想合作的人发问：很多人手握视频、游戏、真实世界视频、图片数据和标注员，都想来找他们——到底要什么？他建议公开一份「只要你真能做到 A、B、C，我们就感兴趣」的清单，省得从噪音里筛信号。DeepMind 这边有人说这问题「有点敏感」、会透露项目方向，只肯说「总的来说是高质量数据」，另有人补了一句「具身数据」。→ 详细
• Dumitru：机器人合作 + 专业素材：他们公开宣布过机器人方面的合作，GDM（Google DeepMind）有机器人团队，一直对这类数据感兴趣；至于 Omni 本身，要的是高质量数据——「不一定是随便什么 YouTube 视频，而是更专业的拍摄素材」。→ 详细
• Nicole：很有用却很难拿的，是真实任务的完整轨迹：对 agent 类工作来说，更好回答的是「大家实际想完成的任务到底是什么」——这类数据「挺难凭空造出来」，自己做、找供应商做都一样。她举营销活动为例：从一张新产品照片开始 → 做成一支视频广告 → 再变成一堆适配各平台广告格式的素材——「一路上你经历的这一整条任务轨迹」非常有用，却很难拿到：Google 并不总有合适的第一方产品入口让大家真在上面做这些事，供应商也没有这样的产品入口，「这类信息很多都存在于人们实际做这些任务的地方」。她直接喊话：「如果有谁把这个问题搞定了，欢迎来找我们。」→ 详细
• 玩笑里的真话：圆桌上有人接「每一条 chain of thought、每一个念头」「说不定还有中国实验室在用的那些数据」；主持人说播客主、市场部的人都乐意当数据——「干脆往我头上装个 BCI（脑机接口），看着我做事」——大量工作是「大路货」、应该能被建模，好莱坞那种手艺活另说。Nicole 补「我们也要高质量的」，有人总结「你们是两头都要」。→ 详细

• 主持人加开数据质量专场：想教育市场、研究员、工程师和创始人怎么把 AI 的标准往上拉——很多时候就是「别那么做了，改成这么做」，能听进去多少他也说不好。→ 详细
• Nicole：手艺藏在流程里：营销活动不是五分钟做出来的，要反复迭代，选这个不选那个，可能只因为「眼神的方向对了」——「我们没有一个人是市场总监，模型也不知道这些」。→ 详细
• Shane：99% 的信息藏在人脑子里：他老说「99% 的信息都藏在人的脑子里，只能通过主动对话、跟人交朋友才能挖出来」。互联网上的大多只是产出；起点、灵感、激发一篇论文的那些对话——这些「轨迹」都在人脑里，创意领域也有大量暗知识（dark knowledge：没写下来、只活在行家经验里的知识）。→ 详细
• Nicole：LLM 写的东西为什么打动不了人：小说打动你，靠的是你对故事或人物的个人联结；而大部分 LLM 写的东西「会掉进一些默认套路里，语言开始变得很雷同」，一读就知道「这没什么意思，因为我代入不进去」——这又是一种人类的专业能力。→ 详细

• Google 在加码 FDE：Shane 说「最近有件好事」：Google Cloud 和 Google DeepMind 开始在面向产品工程的 FDE（Forward Deployed Engineer，前线部署工程师：派驻到客户身边、贴着客户真实业务把模型用起来的工程师）上投入多得多了；他还看到一些面向创意、生成式媒体方向的招聘。理由很直白：「光靠大量公开数据能做的事是有上限的」，真正跟这些人合作，才能做出更好的模型和产品、拿到反馈。→ 详细
• 主持人：让 FDE 兼做 eval：本届大会第一次设 FDE 专场，「每家实验室都在官宣这个，简直疯狂」。他非常想推动、而且在 Cognition 也在推的一件事是：让 FDE 不只是做销售和解决方案，还要去做 eval，当 eval 工作者。 他也坦白自己确实是把 FDE 当销售看的——「你越是为客户定制解决方案……」→ 详细
• Shane：「FDE 不是销售，FDE 远远不止这些」：他先给了一个很宽的定义——「我把后训练（post-training）定义为：从预训练到最终用户体验之间的任何环节，任何环节都算后训练」。他拿这个定义来回答「怎么定义 FDE」——言下之意，贴着客户的那一段也属于把模型做好的链条，而不是模型做完之后才开始的售卖环节。→ 详细
• FDE 的真正产出是「双向洞察」：Shane 说 FDE 最早大概是从 Palantir 那边来的、历史渊源不同，但关键「不只是跟客户一起干活、确保他们知道怎么用」，而是提炼出能帮到双方的洞察——客户可以围绕怎么用模型搭很多 harness（包在模型外面的提示词、工具、流程编排这类脚手架），实验室则可以在非常上游的地方改进模型。「怎么把客户反馈传导到建模上，我觉得这更像是我希望 FDE 扮演的角色。」→ 详细

• Nicole：想跟真在用模型的人聊：她接着 FDE 的话题说，能真正跟正在用模型的人聊、了解他们卡在哪儿，对团队真的很有帮助（「我就不替别人许诺时间了」），「因为说到底，那就是你实际想用模型去完成的真实世界任务」。→ 详细
• 两个翻车例子：做室内设计的人想把一个图案铺到 10 种不同尺寸的地毯上（有时还是很定制的尺寸），模型没法用同样的方式把图案复刻出来；有人想给耳环做试戴，耳环有特定尺寸、头也有特定大小，「你要是真在试戴，比例就得说得通」。很多真实世界里确实会发生的事模型都会翻车，而「有些事情我们根本想不到——我们自己不会拿模型去做那些任务」。→ 详细
• Dumitru：品牌语言是个模糊问题：做广告活动时，品牌方有自己的品牌语言，往往就是一堆图片或 PDF。IKEA 的品牌语言是什么？蓝色加黄色？圆桌上有人接「但具体是哪种蓝」——品牌方非常在乎色调，随便一个蓝配随便一个黄，「那就不是 IKEA 了」。→ 详细
• 研究产物 vs 产品：Dumitru 说这类东西「不一定属于我们开发前沿模型的那个职责范围」，但他们「从根本上就是想打造人们会拿来解决具体任务的产品，而不只是研究产物」，所以了解大家真正在乎什么很有用。→ 详细

片中未提供嘉宾联系方式。

• 片中推荐关注：fofr（X 账号名；前 Replicate，现在是 Google DeepMind 团队里专门试模型能力的匿名创作者）——想知道新模型「到底能干什么」，圆桌上称他是头号必关注的人。→ 详细
• 片中提到的论文：《Video Models are Zero-Shot Learners and Reasoners》与后续的 Vision Banana 论文（Shane 提及）。→ 详细
• 世界模型定义推荐：Jitendra Malik（UC Berkeley）的定义、Schmidhuber 1990 年前后的定义（Shane 推荐）。→ 详细