PPMem用平面记住整个世界:10万平面约5MB,比点云少三个数量级

资讯 腾讯网 作者:科技行者 全文 6370 字 · 约 16 分钟读完 分类世界模型游戏

你有没有想过,一个能无限生成视频、让你一直往前走的AI世界,到底靠什么记住自己刚才生成了什么?这不是一个无聊的问题。想象你在玩一个由AI实时生成画面的游戏,你往前走了三百步,然后猛地回头。如果这个AI没有真正的“记忆”,它很可能把刚才身后那扇门的位置、墙的颜色、桌子的角度全都忘了,重新给你生成一套完全不一...

所属频道 模型发布影视与游戏

一个AI世界能无限生成视频、让人一直往前走,它究竟靠什么记住自己刚生成过什么?

这个问题并不无聊。设想你在玩一款由AI实时生成画面的游戏,往前走了三百步,突然回头。要是这个AI没有真正的“记忆”,身后那扇门的位置、墙的颜色、桌子的角度很可能全被忘掉,重新生成出一套完全不同的场景。生成内容越长,越容易“失忆”和“跑偏”,这正是“世界模型”眼下要面对的核心难题。

2025年前后,不少团队都在攻这个难题,给出的答案却五花八门。有些方案索性不要记忆,靠模型自身的注意力机制硬扛,比如

世界模型*:这类 AI 系统能生成、模拟场景,用户也可以进入其中自行探索;它的关键本事在于,拿到输入(例如一张图加一条移动轨迹)后,能连续输出前后衔接的视频画面。

可这些记忆方案各有各的硬伤。本文要讲的PPMem,正是奔着这些硬伤去的,它挑了一个听起来有点“复古”的工具:平面。

记忆这件事,到底难在哪

先说说现有方案都卡在哪儿。

Gen3C的做法是维护一个只存两帧的

点云

也就是说,它只记得“种子帧”和“最近一个分块边界帧”的几何信息,中间的几何细节全被覆盖、丢弃。好比每次只记住起点和刚过去的一瞬,走过的所有细节都被清空,等你想回头确认点什么,什么都找不到。

VMem稍好一些,它用CUT3R重建出“定向

面元

来索引过去的视角,问题在于面元数量会随生成帧数线性增长,生成得越久,这堆面元越臃肿。SPMem换了思路,用

TSDF

配合关键帧池存储空间记忆,可一旦扩展到长序列,每一步都要重新估计深度、把所有累积帧重新融合进体积里,计算成本随序列长度线性增长,越往后跑越慢。Context as Memory和WorldMem索性放弃显式3D几何,靠检索过去的原始帧来撑场面,代价是它们对“空间结构”其实是模糊的。

这些方案有个共同的毛病:存储量爆炸式增长、几何不够准确,或者压根没有真正意义上的3D结构。研究团队把它归纳成四个标准:记忆要紧凑、要几何上明确可用、要跨视角一致、还要能随着生成过程自我优化。放眼现有方案,四条同时满足的一个也没有。

问题于是变成:有没有一种表示方法,天生紧凑、天生带有明确的几何含义,还能被生成模型本身直接产出,而不是靠外部工具事后拼凑?

PPMem的答案是:平面。

为什么是平面,不是点云

随便看一个人造空间,客厅、办公室或者街道,墙是平的,地面是平的,桌面是平的,建筑外立面也是平的。人类生活的环境,本质上由大量平面拼接而成。这算不上新发现,建筑学里早就有“

曼哈顿世界假设*:这是一条关于场景结构的设定:人造环境里多数表面大致沿三个彼此垂直的方向铺开,比如地面水平、墙面竖直;室内场景的三维重建中,这一假设用得很多。

这类理论撑着这一点。既然这样,为什么不用平面本身去描述场景的几何,偏要拿密密麻麻的像素点去堆?

PPMem里每个平面只需7个数字就能完全描述:一个沿相机视线方向的深度值,两个矩形的边长(相当于这块平面有多大),再加一个四元数表示旋转方向(这块平面朝向哪儿)。对比一下,一帧576×1024分辨率的画面有近60万个像素,每个像素都存一个三维点的话,几百帧视频下来,理论上能攒出两亿多个点。而PPMem最终攒出来的

平面池*:PPMem中用来持续累积所有已生成区域几何信息的全局集合,每生成一段新内容就往里面补充、修正一批平面。

大概只有10万个平面左右,占用空间约5MB。这差了三个数量级,相当于把一本厚厚的百科全书压缩成一张卡片,卡片上记的信息还基本够用。

这里还有个反事实的问题:要是不用平面、继续用点云会怎样?论文给出了对照组数据,在大约400帧、576×1024分辨率的设定下,理论上累积的点云点数能达到约2.1亿个,PPMem的平面数量则稳定在约10万个,是前者的两千分之一。这已经不只是优化了一点点,而是representation层面的降维。

有个生活化的类比值得细说。你要给朋友描述自家客厅长什么样,有两种方式。第一种,拍一张高清照片发过去,每个像素的颜色值都给出来,信息量巨大,可绝大部分像素其实在重复表达“这里是白墙”“这里还是白墙”。第二种,直接说“一面8米长3米高的白墙,一个2米见方的木地板”,一句话、几个数字,信息密度直接拉满。选第一种方式去记忆整个客厅,每次有人问起细节,你都得翻出整张照片重新辨认;选第二种,你随口就能答。平面primitive的设计,本质上就是选了第二种描述方式,而且是让AI自己学会用这种方式去描述它刚刚生成的世界。

不过,只做到紧凑还差得远。PPMem 的平面另有一个关键之处:它们由生成模型在内部自行产出,外部深度估计器完全不用插手。Gen3C 要靠 MoGe-2 这个外部模型,VMem 靠 CUT3R,SPMem 靠 Depth Anything 3,三者的做法都跟它不一样。内部产出带来的直接后果是,这些平面本身就具备跨视角一致性——同一次前向传播里,同一个共享生成骨干网络把它们产了出来,并非先攒一堆各自为战的局部观测、再硬拼到一起。

PPMem 的模样,是在 Wan 2.2 这个 5B 参数规模的视频扩散 Transformer 模型上搭起来的。

研究团队在这个底子上添了两个关键模块。一个是扩散 Transformer(DiT)。另一个是 VAE(变分自编码器)。

第一个是

换成这个 VAE 初始化的解码器之后,实际提升有多少?实验数据摆在那里:深度准确率指标 δ<1.25 从 59.2% 升到 70.3%,涨了 11.1 个百分点;相对误差则从 0.256 降到 0.210。视频生成模型自己学到的空间先验,拿来预测几何竟然也管用,算是一次意外的“知识迁移”。

第二个模块叫深度令牌融合(Depth Token Fusion, DTF)。

它要对付的问题很实际:平面池渲染出的深度图有破洞,场景里总有区域此前没被观测到,渲染出来自然是空的。DTF 用一个小型 ViT 编码器(Vision Transformer)处理这些带孔洞的深度图,还配了一套三层掩码策略——完全没覆盖的区域直接丢弃;部分覆盖的区域以 75% 的概率随机丢弃;完全覆盖的区域同样要随机丢掉一部分,让总体掩码比例落在 60% 到 90% 之间。这套设计听着有点像“故意找茬”:明明可用的信息,为什么要主动扔掉一部分?

答案在一个对比实验里。研究团队做了“尺度忠实度”测试:把输入的深度信息按已知倍数放大或缩小,再看模型预测的深度会不会按同样比例变化。结果是,采用 DTF 融合方案时,输入缩放 1 倍,预测/真实深度比值精确维持在 1.00±0.01;换成简单的通道拼接方案,极端缩放情况下就会出现压缩失真——VAE 的信息瓶颈把精细的尺度信息给“磨平”了。DTF 故意在训练时制造信息稀疏,目的就是让模型习惯推理阶段必然出现的那种不完美信号,免得它在真实场景里一见到带孔的深度图就懵掉。

打个比方:从小到大做数学题,每次用的都是印刷整齐、从不缺页的教材,真进了考场,拿到一张字迹模糊、还缺了几行的试卷,多半会手忙脚乱。DTF 的训练策略,等于平时练习时就故意塞给模型一些“缺页”“模糊”的卷子,等它上考场(推理阶段)遇到真实的不完美深度图,才不至于直接崩溃。不这么做会怎样?实验已经给了答案:通道拼接方案在尺度剧烈变化时严重失真,模型会把场景的真实尺度判断错,生成的画面看着也许对,几何上却是扭曲的。

平面池怎么“活”起来:持续合并机制。光有平面还不够,真正的难题是这些平面如何持续更新、修正、去重,而不是越攒越乱。

PPMem 为此设计了一套平面池维护机制:每生成一个新的视频分块,就把新预测的平面并进全局池子,合并过程遵循三个原则。

第一条是“纠正过去”的遮挡删除机制:新观测到的表面如果证明池子里某些平面其实悬在半空(被更新的几何“穿透”了),就通过多相机投票把这些错误平面删掉。

第二条是“优化当下”的双向质量去重:每个平面都带一个观测质量分数,由相机到平面的距离和观测角度共同决定,距离越近、角度越垂直于表面,分数越高。同一个分块内部,挨得很近的平面只留质量分数更好的那个,这一步能砍掉单个分块内大约 80% 的平面数量。跨分块时也照同样的逻辑处理。

第三条是“预判未来”的前瞻式修剪:某个平面如果下一个分块里会被从更近的距离重新观测到,那就提前从池子里删掉,因为接下来肯定会生成质量更高的替代品。

三条机制叠加的效果,论文的消融实验里有清楚的数字支撑。研究团队在 16 个……这个过程像什么?像整理一间堆满旧照片的储藏室。搬进一张新照片时,先看有没有哪张老照片角度特别糟、信息已被新照片完全盖住,直接扔掉;再看手里这堆新照片有没有角度重复的,只留拍得最清楚的那张;最后想一想,接下来几天会不会去更好的角度重拍某个地方,如果会,现在这张差强人意的先撤了,省得占地方。整个过程不用大动干戈地重算整间屋子的布局,局部调整就够了——这也是论文为什么强调这个合并过程“不需要基于梯度的优化”,它是一套纯几何规则驱动的轻量级流程。

效果到底怎么样。PPMem 在 DL3DV 和

先看数据。下表列出各方法在 DL3DV 与 RE10K 两个数据集上的表现,对比项为 N=49 时的指标。

DL3DV 上,Gen3C 的三项数值依次是 15.74、0.474、13.59、0.565。

同数据集下,Voyager 交出的成绩为 12.84、0.568、11.35、0.649。

VMem 在 DL3DV 上的四项数字则是 11.88、0.636、10.87、0.722。

SPMem 对应的结果是 14.70、0.492、13.03、0.607。

轮到 PPMem,四项分别是 **16.99**、**0.335**、**13.98**、**0.464**。

换到 RE10K,Gen3C 拿到 21.93、0.238、19.22、0.303。

Voyager 在 RE10K 上的数字为 17.43、0.315、15.88、0.389。

VMem 这边是 11.69、0.626、11.07、0.678。

SPMem 的表现为 18.42、0.279、16.43、0.375。

PPMem 在 RE10K 上则录得 **22.46**、**0.168**、**19.34**、**0.254**。

有一处对比挺耐人寻味:PPMem 的模型只有 5B 参数,Gen3C 背后是 7B 的 Cosmos,Voyager 用的 HunyuanVideo 约 13B。参数规模差了一半甚至更多,PPMem 的效果反而更占优。说到底,输赢并不取决于模型堆多大,记忆机制设计得怎么样才是分水岭。

长序列测试更能看出差距。团队直接拿 DL3DV 里完整的测试序列来跑,每段长度在 300 到 400 帧之间,相机运动幅度相当大,目的就是看记忆机制扛不扛得住。跑到第 300 帧附近时,PPMem 在

从画面直观感受来说,经历接近 300 帧的大幅视角切换之后,PPMem 仍能守住场景结构和色彩的一致性。反观其他基线方法,越到后面画面越不对劲,模糊、走样,甚至出现结构上的错乱。

有一组消融实验很能说明问题。团队设了对照,把 PPMem 的联合平面预测方案换成了三种替代做法:其一,不做持久记忆,只靠模型自己预测的深度一次性生成;其二,学 Gen3C 的路子,用 MoGe-2 这个外部模型逐帧估深度,再做点云拼接;其三,先用预训练的 Plana3R 模型在事后对每帧做平面重建,然后拼接。最终 PPMem 的联合平面池方案在深度准确率 δ<1.25 上拿到 70.3%,三个替代方案分别只有 64.0%、55.0%、57.0%。这组数字说明的是,记忆机制带来的收益主要落在几何一致性和长时间稳定性上,而这恰恰就是 PPMem 一开始想解决的核心问题。

还有个发现挺出人意料:去掉

论文也没有回避局限。PPMem 更擅长结构化场景,像室内房间、城市街道这种以平面为主的环境。附录里有个按场景划分的

延伸线索:它从哪来,又往哪去

PPMem 并非凭空冒出来,它接的是平面重建这条技术脉络。再往前追,

不过 PPMem 跟这条脉络上此前的方法有个根本不同:那些方法都是“重建向”的,只能从拍好的图像里提取几何信息。PPMem 把平面预测放进了生成模型内部,做成一个“生成向”的循环:生成画面时顺带预测平面,平面进入记忆池,记忆池再回头指导下一步生成。论文特别强调,这种双向循环在此前的平面重建工作里没人做过。

往后看,“让生成模型自带几何记忆”这条路显然还有继续生长的余地。论文自己列出的方向包括:把静态的平面原语扩展到能处理动态物体的版本,以及把系统推向真正开放世界的场景规模。目前的实验还停留在相对受控的室内外场景数据集上,真正嘈杂、物体混杂的开放场景里,平面假设还站不站得住,眼下没有答案。

写在后面

读完这篇论文,最打动我的倒不是那些性能数字,而是那个“三个数量级”的压缩比。10 万个平面对上两亿个点,差距大得让人忍不住回头想:我们是不是太习惯默认“信息越多越好”,却很少问一句,这些信息里究竟有多少只是在重复表达同一件事?

另一个让我觉得有意思的细节,是法向量损失那个“全零坍塌”。深度和法向量看上去是两个独立的几何量,一个回答“多远”,一个回答“朝哪”,可实验表明,一旦少了法向量的监督信号,深度预测会直接失效。这背后提示的现象更普遍:不少联合学习任务里,不同输出头之间可能存在隐性的梯度依赖,看着是并行输出,底下却互相牵着。设计多任务模型时,这种脆弱性恐怕得查得更细一些。

另外,DTF 这个设计是刻意让训练时的信息变得稀疏,它的思路放到很多领域都说得通。见过的世界越完美,碰上真实世界的瑕疵就越容易出问题。教育里常讲的“脱离舒适区训练”跟这个有点像,只不过这回的主角换成了一个深度学习模型。

至于那块一直没搞定的招牌文字,凑近看已经面目全非。这倒让人想到另一层:生成模型要去“猜”一个它从没真正看清过的细节时,靠什么猜?猜错了又怎么纠正?这个问题,恐怕比平面记忆本身还难回答。

Q&A

Q1:PPMem是什么?

A:PPMem是一种视频世界模型,它把由7个参数描述的平面原语当作持久

Q2:PPMem相比Gen3C、VMem这些方法有什么优势?

A:PPMem的平面记忆由生成模型内部直接产出,不需要外部深度估计器,跨视角一致性是它自带的。全场景下来只要约10万个平面原语(约5MB),比点云方案的理论存储量少三个数量级。视频质量和深度准确率上,它都胜过Gen3C、Voyager、VMem、SPMem等基线方法。

Q3:PPMem有什么局限性?

A:PPMem更擅长墙面、地板这类平面结构占主导的场景,碰上密集植物、水面等有机环境,表现就会打折扣。还有一点,相机大幅拉近小字招牌这类细节时,生成的文字容易糊成一团,这是视频扩散模型本身就有的短板。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. Velox给视频世界模型加空间记忆:为何能越跑越快?

    你有没有玩过那种需要边走边记路的游戏?比如在一个开放世界游戏里,你从家门口出发,一路往前走,走过商店、走过公园、走过桥。游戏引擎要做一件事:记住你走过的每一寸地方,这样当你回头的时候,看到的还是刚才那个商店,而不是凭空变成了一个加油站。现在把这个场景换成AI生成视频。有一类叫"视频世界模型"的技术,你给...

    来源 腾讯网
  2. 清华团队造出会拆题的AI裁判:图像生成打分不再只有对错

    你有没有遇到过这样的场景:让一个AI判卷子,它只会打勾或打叉,可一张图片明明做对了七成,剩下三成有瑕疵,它却和那种全错的图片给出一模一样的判决。这事儿听起来有点荒唐,但它恰恰是当下AI图像生成领域一个被忽视很久的真问题。**图像生成模型越做越强,但给它们"打分"的裁判却还停留在上个世纪。**这篇来自清华大学、...

    来源 腾讯网
  3. 国产科幻单机《时空低语》预告片首发:22人团队投入超3亿

    首款国产科幻动作单机游戏《时空低语》全球首发预告片,引发行业广泛关注。同年8月28日,他正式做出决策:带领团队全面转向大型单机游戏开发,将此前弹幕互动赛道积累的1亿元资金全部投入《时空低语》项目,开始主机游戏研发。扎根文化原创 探索中国科幻单机游戏的独特路径不同于传统西方科幻的叙事逻辑,《时空低语》从立项之初就确立了“

    来源 TechWeb
  4. 三季度营收利润双降,网易回应短剧争夺用户注意力

    短剧的爆发让游戏大厂也感受到了争夺用户时间的压力。 11月19日晚,在网易2026年第三季度业绩电话会上,管理层被问及短剧对游戏行业的影响。网易创始人兼CEO丁磊坦言,短剧今年呈现爆炸式发展,对用户注意力的吸引力巨大,短期内确实会对游戏产生影响。 在这一表态背后,网易今日交出了一份不及市场预期的成绩单。三季度网...

    来源 腾讯网
  5. 英伟达不再被看好 美投行测算:未来算力采购协议中其份额降至28%

    伊卡洛斯是古希腊神话里的悲剧人物。他靠着工匠父亲打造的非凡翅膀一路翱翔。最终因为离太阳太近导致翅膀上的蜜蜡被烤化,羽毛散落,伊卡洛斯也从云端坠落大海溺亡。英伟达的命运会不会像伊卡洛斯一样?过去几年间,这家曾经的游戏显卡公司以令人晕眩的速度直冲云霄,一路成为AI时代全球估值最高的公司。随着黄仁勋的陨落和...

    来源 腾讯网
  6. 育碧设AI子公司Motherbrain:做生成式AI,半年减员近1100人

    IT之家 11 月 20 日消息,VideoGamesChronicle 今日报道称,育碧成立了一家专注于游戏 AI 技术的新子公司 Motherbrain,负责研发用于游戏玩法创新的 AI 技术,并为旗下游戏开发团队提供支持。 根据育碧 11 月 19 日公布的 2026-2027 财年上半年财报,公司确认 Moth

    来源 AI 行业观察
  7. Google Genie4 API开放:付费开发者可实时交互并生成原生音频

    11月19日,Google通过Gemini API与AI Studio向付费开发者开放最新世界模型Genie4(models/genie-4)。此前一日,该模型已借Project Genie面向Google AI Ultra订阅用户推出。此次开放标志DeepMind首个可供第三方直接调用的实时世界模型落地,摆脱消费者订

    来源 AI 产业速递
  8. Take-Two前CEO费德:《GTA 6》或成AI时代前最后一部传统3A大作

    IT之家 11 月 20 日消息,Take-Two 前 CEO 本 · 费德认为,《GTA 6》将成为 AI 时代全面到来前最后一部采用传统开发模式打造的 3A 大作,游戏行业也将由此告别一个时代。 费德在《财富》杂志撰文称:“《GTA 6》的发布将成为一场文化盛事,带来史诗般的游戏体验。我相信它会是一部杰作,但也会是

    来源 AI 行业观察
  9. 玩家在《极限竞速:地平线 6》中偶遇已故好友 Drivatar AI 车手,得以再次“并肩驾车”重温昨日时光

    IT之家 11 月 20 日消息,《极限竞速:地平线 6(Forza Horizon 6)》玩家 Samohteht 近日分享了一段令人动容的游戏经历。他在游戏中意外遇见了 4 个月前离世的好友留在游戏里的 Drivatar AI 车手,两人得以再次并肩驾车巡航,这段视频在社交平台引发广泛关注,也让不少玩家想起了自己曾

    来源 AI 行业观察
  10. OpenAI 开放 GPT-Live-1.1 API:开发者可接入实时双向语音对话

    IT之家 11 月 20 日消息,OpenAI 今日宣布向开发者开放 GPT-Live-1.1 API 语音模型,允许第三方开发者将其集成到自己的应用程序中,构建能够实时聆听、回应并执行复杂任务的 AI 语音智能体。据 OpenAI 介绍,GPT-Live-1.1 是 GPT-Live-1 的升级版本,具备全双工语音交

    来源 腾讯网
  11. 谷歌Genie 4开放开发者:0.2秒操控延迟,6.05美元/分钟

    当地时间11月19日,谷歌正式向开发者开放世界模型Genie 4,开发者可通过Gemini API及Google AI Studio接入。该模型可生成720p、24fps的可交互世界与原生立体声音频,低延迟网络下键盘操控响应约0.2至0.5秒,视频输出按Token计费,成本约6.05美元/分钟。

    来源 凤凰科技
  12. 黄仁勋卸任英伟达CEO:评级下调、数据威胁与AMD做空风波

    【TechWeb】11月20日消息,黄仁勋卸任英伟达CEO带来的震荡仍在AI芯片产业链持续蔓延。19日行业接连爆出多重利空:英伟达遭遇勒索组织数据威胁、穆迪下调其信用评级展望,同时做空机构发布报告质疑AMD订单真实性与流动性安全,叠加台积电对英伟达超额订单提出预付现金要求,AI芯片板块的风险预期快速升温。勒索软件组织G

    来源 腾讯网
  13. Anthropic上市:发行价83美元,阿莫迪从GPT-2警示到敲钟

    美国时间11月19日,Anthropic正式登陆纳斯达克,以“ANT”为股票代码挂牌,创下了全球史上最大规模IPO纪录。就在上市前一天,Anthropic将发行价定在每股83美元,并将发行数量从8.25亿股增加到9.8亿股,最终公开发行规模达到813.4亿美元。按发行价计算,这家成立不到六年的AI公司,完全稀释估值约为

    来源 腾讯网
  14. 资本开支暴涨527%:腾讯,在打最贵的一仗

    昨天,腾讯公布了2026年Q3财报。 数据显示,腾讯Q3单季度实现总营收2073.36亿元,同比增长8%,经调整归母净利润为665.19亿元,同比下降6%。 聚焦到游戏业务,继2025全年腾讯本土与国际市场游戏总收入合计达2416亿元,国际市场年收入首次突破100亿美元之后,今年前三个季度延续了逐季抬升的走势:Q1游戏

    来源 AI 行业观察
  15. Lossless Scaling插帧怎么用:老显卡与掌机的配置和避坑

    Lossless Scaling(俗称小黄鸭)通过LSFG算法实现AI插帧和无损缩放,能让30帧游戏视觉翻倍。本文详解其工作原理、适用人群及硬件门槛,重点分析竞技游戏禁用原因和原生低帧率下的伪影问题。提供针对Steam玩家的参数设置建议,包括FSR算法选择、延迟控制及窗口模式激活技巧,帮助核显或旧独显用户在不升级硬件的

    来源 AI 应用前沿
  16. OpenAI开放GPT-Live-1.1 API:实时双向对话,智能体边聊边干活

    OpenAI 今日宣布向开发者开放 GPT-Live-1.1 API 语音模型,允许第三方开发者将其集成到自己的应用程序中,构建能够实时聆听、回应并执行复杂任务的 AI 语音智能体。 据 OpenAI 介绍,GPT-Live-1.1 是 GPT-Live-1 的升级版本,具备全双工语音交互能力,可以

    来源 AI 开发者社区
  17. 贝佐斯重返一线:Prometheus估值410亿美元,要做物理世界的OpenAI

    卸任亚马逊 CEO 五年后,杰夫·贝佐斯没忍住,又给自己找了个班上。 当地时间 2026 年 11 月 17 日,加州门洛帕克的 Semafor「硅谷与世界」峰会现场,贝佐斯和物理学家维克·巴贾杰(Vik Bajaj)罕见同台。他现在的最新头衔,是 AI 初创公司 Prometheus 的联合创始人兼联席 CEO。这是

    来源 AI 行业观察
向下滚动自动加载更多