PhysEvolve：让视觉语言模型在可执行世界中自我进化物理推理

导语

视觉语言模型能够描述视频中的物体和动作，却不一定真正理解“如果改变一个条件，结果会怎样”。在物理推理中，模型不仅要识别发生了什么，还要判断接触、受力、运动和因果干预之间的关系。PhysEvolve试图解决这一难题：让模型在可执行的模拟世界中自行提出训练问题，再由物理引擎提供可复现、可核验的答案。

核心要点

• 从观察事实转向反事实分支。 现实视频通常只记录一条已经发生的轨迹，难以直接提供“移走某个物体后会怎样”这类配对数据。PhysEvolve在同一环境中构造基线分支和去除相关实体的反事实分支，用模拟结果形成对照。
• 模型提出世界，验证器提供事实。 每一轮中，共享视觉语言模型生成可执行的世界程序和证据模式。确定性物理引擎会检查程序、固定有效环境，并运行相应模拟。只有能够被执行和验证的世界，才会进入后续任务生成流程。
• 任务答案与视觉证据绑定。 系统根据模拟轨迹合成离散化的视觉问题，使答案能够由引擎结果精确判断，而不是依赖开放式人工评分。这为自我训练提供了更明确的奖励信号。
• 训练与课程共同更新。 任务求解得到的验证反馈通过GRPO更新共享策略，同时调整物理意图课程，让训练重点随模型表现变化。该机制覆盖投掷、交互和反事实移除等问题类型。

实验与意义

论文以Qwen3-VL-8B-Instruct为起点，在PhysBench、CausalPhys和ContPhy上进行评估。报告结果显示，PhysBench的Throwing任务提升8.8分，ContPhy的Counterfactual Removal和Goal-Pit分别提升7.4分和24.4分。提升主要集中在需要理解物体交互以及改变世界条件的问题上。

更值得关注的是，作者报告该方法能够将学到的因果原则零样本迁移到布料、流体和软体等未见过的复杂动力学场景，并延伸到真实世界视频。这说明，训练信号不一定必须来自大量人工标注的干预视频；只要模拟世界足够可执行、验证过程足够严格，模型也可以围绕因果差异持续生成练习。

当然，这一方向的上限仍取决于物理引擎的覆盖范围、模拟与现实之间的差距，以及模型生成世界程序的有效性。PhysEvolve的价值不在于替代真实数据，而在于建立一条“提出假设—执行模拟—精确验证—更新策略”的闭环，为具身智能和世界模型的物理推理训练提供了新的数据生产方式。

来源：Hugging Face Daily Papers