PhyProbe：用统一监督重新评估生成视频的物理一致性

导语

生成视频的画面越来越逼真，但“看起来像真的”并不等于遵循现实世界的物理规律。物体可能在运动中突然改变速度，接触和碰撞关系可能不成立，人物或物体的形变也可能在连续帧之间失去连贯性。如何稳定衡量这些问题，已经成为视频生成系统评估中的关键环节。

NVIDIA 研究团队在论文《PhyProbe: Rethinking Physical Consistency Evaluation in Generated Videos》中提出了同名评测器。它不需要提示词或参考视频，只根据待测视频输出物理一致性违背程度的分数。

传统评测的两类局限

现有方案大致分为两种。一类直接使用通用视觉语言模型，让模型判断视频是否符合物理常识；但这类模型可能更关注画面内容、语义和整体观感，而不是细粒度的动力学变化。另一类则在人工标注数据上微调专用评测器，虽然能够学习物理错误，却容易记住特定数据集的视觉线索，换到不同类型的视频或比较设置后，泛化能力下降。

此外，训练监督本身也不够统一。有些数据只能说明两个视频谁更好，提供相对排序；另一些数据给出绝对分数，却可能存在噪声或标注尺度不一致。单独依赖其中一种监督，会限制评测器的稳定性。

PhyProbe 如何工作

PhyProbe 的设计重点不是重新训练庞大的视频基础模型，而是固定一个预训练时空编码器 PE-Core-G14-448，用它提取视频表示，再接入约 100 万参数的轻量评分头，将特征映射为一个物理一致性违背分数。整个流程只需要视频输入，不依赖提示词、生成条件或真实参考视频。

其训练目标整合了三种信息：

• 成对排序：学习在两个视频中识别物理一致性更好的一方；
• 标量回归：利用带噪声的绝对分数，建立更连续的评价尺度；
• 锚点校准：借助具有参照意义的样本，减少不同监督来源之间的尺度偏移。

这种组合试图同时解决“排序是否正确”和“分数是否有稳定含义”两个问题。论文将评测覆盖到真实视频与生成视频之间、生成视频与生成视频之间，以及有无对应关系的多种成对场景。

实验结果与意义

根据论文摘要，PhyProbe 在大多数成对评测基准上超过了此前方法，优势在无对应关系和生成视频对比场景中尤其明显；这些正是依赖特定人工标注进行微调的评测器容易退化的环境。PhyProbe 的输出也与人类判断保持较强相关，排序指标与线性相关指标之间较为接近，说明它不仅能够区分相对优劣，分数也更接近稳定的 0 到 1 标尺。

值得注意的是，模型虽然主要接受与物理一致性有关的监督，却在没有明确加入“总体偏好”标签的情况下，也能在部分人类偏好评测中保持竞争力。这可能反映出物理错误与画面质量、运动连贯性等更广泛的视频缺陷经常同时出现，但这并不意味着物理分数可以完全替代审美、语义或提示词遵循度评测。

对视频生成评测的启示

PhyProbe 的价值首先在于提供了一个更易部署的专门指标：开发者可以仅上传视频，快速筛查明显的动力学问题；其次，它将排序监督和绝对分数结合起来，为跨模型、跨数据集比较提供了更清晰的尺度。不过，物理一致性仍只是视频质量的一部分，模型对不同运动类型、极端场景和未覆盖分布的表现，还需要更多独立实验验证。作为开源项目，PhyProbe 也为后续研究如何构建更可靠、更可解释的视频评测器提供了一个起点。

来源：Hugging Face Daily Papers