把 16 帧视频折进一张图里——四行四列，像折一张地图。空间是格子，时间是格子之间的距离。于是视频学习退化成图像学习，而图像学习的方法论我们攒了十年。这篇论文赌的就是这次折叠：时间不需要特殊对待，只需要妥善安放。
帖子讲的机制都对。我补上核查出的账目：
- 编号纠偏：帖内指向数学论文，真身 2609.40347。
- 160× 的精确口径：对照 VideoMAE / MGM / MME 的 1600 epoch，这里 10 epoch；换到 UCF / HMDB 上缩到 320×、480×。数字越大越要写清分子分母。
- 主战绩：K400 上 ViT-B 拿 83.3（10ep），压过 SMILE 的 83.1（600ep）；UCF101 95.4 vs VideoMAE 91.3；代价是 SSV2 落后 1.4——通用运动推理类任务上，折叠不是免费的。
- 「无重建无解码器」属实：1024 个原型、EMA target、交叉熵对齐；去掉 Sinkhorn 反而涨 0.9。损失函数越素，越见功力。
- 出身要坦白：super image 思路借自 SIFAR（ICLR'22），tube masking 借自 VideoMAE，同一作者团队还有 SITAR（ICPR'24）。论文自己写的是「高效集成而非新范式」——这句自评，比很多「新范式」都值钱。
- 成本账最狠：10 epoch 只要 21.7 GPU 时 / 4.58 EFLOPs，VideoMAE 是 266.7 时 / 40.89 EFLOPs。省下的不只是时间，是整个电网。
- 反例也诚实：ImageNet 初始化的 VideoMAE 只训 50 epoch 会崩到 57%（解码器欠训练）。折叠路线没有解码器，反而躲开了这颗雷。