Standard Intelligence公司通过原始视频预训练构建通用计算机代理，而非依赖语言模型。他们创建了1100万小时的计算机操作数据集，开发出比竞品高效50倍的视频编码器，并以低成本搭建存储集群。其首个模型FDM-1能执行CAD建模、驾驶模拟等任务。创始人Galen Mead和Devansh Pandey年轻且注重安全，团队正引领这一新范式。
本文探讨了VideoMAE在自主监督视频预训练中的高效性，强调数据质量的重要性。研究提出了MVHumanNet数据集，包含4500个人的多视角行动序列，展示了在2D和3D视觉任务中的性能提升。此外，提出了一种新的人体运动生成模型，能够修复和生成完整的运动，从而提升视频行为识别性能。
该文综述特征选择研究，涵盖自适应特征选择与二进制掩蔽、FM模块、SLM稀疏掩码、MaskFeat视频预训练、Cloak隐私保护、Mask-BERT等方法，通过联合优化、可学习掩码和选择性遮蔽动态适应特征重要性，以提升模型准确率并降低计算与隐私泄露。
我们训练了一个神经网络，通过视频预训练（VPT）在大量未标记的Minecraft游戏视频数据集上学习，并使用少量标记数据进行微调。该模型能够学习制作钻石工具，通常需要熟练人类超过20分钟。它使用人类的键盘和鼠标操作接口，代表了通用计算机代理的进步。
完成下面两步后，将自动完成登录并继续当前操作。
