#Foundation Model

Standard Intelligenceがスクリーンビデオ1100万時間で訓練した汎用コンピュータアクション基盤モデル。LLMではなくビデオとアクショントークンを直接操作するアーキテクチャで、独自エンコーダにより既存VLMの50〜100倍の圧縮効率を実現する。