（来源：上观新闻）
根据团队发布🏄♀️的论文，Wor👲👋ld-🐁🙇♀️R1 的解法是👋🐾将 3D 一致◻性约束转🌃🎧化为强8️⃣化学习的奖励信号🎆： 生📡成视频🗿🌊后，用 Dept🇳🇨🐏h A📝nything 🥕🐨3 重建🔍 3D🇵🇫GS 场景并从新🎷🥇视角渲染； 将📗🧬重建误差、镜⛎头轨迹偏差、🇨🇦新视角可信度🐢（Qwen3-🔄⁉VL 🎱评分）🛋🆎合并为奖励信号🏫🏭； 通🚲过 Flow-🚨GRPO 😮算法反馈给🚿视频模型，令🇬🇬⚽其逐步内🇲🇽化 3D 👩👦👦规律； 每⛷训练 100🇩🇴 步插🗃🇦🇽入一轮「动态微调🥛」，防止几何🧑🤰约束压制人物运动🇹🇳👩⚖️等动态效🌓果🌺。
通过让不同负🇮🇳🇫🇮载匹配最合适的☑硬件，整体功👛耗和每tok🇨🇮en成🍂本都能大幅改善🏎。最典型的便是主📲📭集收发一体模组：🌴🇦🇩若收发隔离度🍰🚓设计存🍏在短板，发射🇵🇷端的高频谐波👩🌾会直接侵入同封📬🎆装内的接收链🇵🇳路，瞬间😒🏠拉低整机通信🗺🐹质量与稳定性✏💏。但再往下一层看👩🦱🇻🇬，它是一次哲学层🤼♀️面的重构💍🐜。相较于未🇷🇴折扣的原始定🐽价，输出价格从 🚯24 元降至🐻 6 元，降🛐🔀幅达 😶75%🏆👈。
