GR-2（生成式视频-语言-动作模型）¶
📌 一句话：先在 3800 万条网络视频上做大规模"预测未来视频"预训练拿到世界知识，再微调成"既能生成视频又能出动作"的通用操作策略。 🔬 全文精读 + 关键图 + 数字：详读-GR-2
🧰 对我们（速判）¶
- 能借：⚠️ 论文/项目页为主，未见明确开源权重（待核）；可借的是"视频预训练 → 动作"的范式与数据规模思路。
- 资源：工业级数据/算力（3800 万视频预训练），自建难复现。
- 证据：A（字节研究 + 公开项目页 + 明确数字）。
关键（摘要级）¶
- 📄 预训练语料：~3800 万视频片段；下游同时做视频生成 + 动作预测。
- 📄 论文称 100+ 任务平均成功率约 97.7%（具体设定以原文为准）。