视频世界模型的物理学大考：看起来真实，还不等于遵守物理

导语

视频世界模型正在从“生成一段像真的视频”走向“预测世界接下来会怎样”。但两者并不是同一件事：一个物体可以拥有逼真的纹理、光影和运动轨迹，却在碰撞、液体流动或热变化上违反基本物理规律。对于需要预测和规划的具身智能系统而言，这类错误并非单纯的画面瑕疵，而可能意味着模型并没有学到可靠的世界表征。

这项基准测什么

论文提出的 World Models' Last Exam in Physics，试图把“物理上是否合理”从主观观感转化为可测量问题。基准包含40项受控任务，覆盖以下领域：

• 力学，例如运动与相互作用；
• 光学；
• 流体；
• 热学与相变；
• 电磁学；
• 表面张力。

每项任务都提供一张初始图像和生成提示词，并预先定义需要观察的物理标准。评测不要求模型生成一段与参考视频逐帧相同的结果，而是检查视频中是否出现了特定的、可观测的物理关系。这样一来，模型即使采用不同的视觉表现，也能依据相同的物理条件接受检验。

从“看起来对”到“测量上对”

评估器由两部分组成。首先，它会判断当前任务在生成视频中是否具备足够的可观测性，避免在物体消失、画面模糊等情况下强行打分。随后，针对不同任务使用相应的量化物理测量。研究者还在具有已知物理关系的合成视频上进行测试，为测量模块在受控条件下的有效性提供了支持。

实验覆盖8个视频生成模型和1280段视频。结果显示，物理不一致仍普遍存在，而且模型在不同任务上的表现波动很大。测试中最佳模型的总分为57.76分（满分100分），这意味着视觉质量的提升尚未自动转化为跨领域的物理可靠性。论文还报告称，该评估器在任务内排序和两两比较中，都比直接采用视觉语言模型判断更接近人类评价。

意义与局限

这项工作的重要价值，在于提供了比“是否像参考视频”更可解释的诊断方式。研究者可以进一步定位模型究竟在哪类物理现象上失效，也能用统一指标追踪后续模型的进步。对于机器人操作、模拟预测和动作规划，这类测量或许比单纯的画面质量分数更有参考意义。

不过，基准测量的是视频中能够被观察和量化的关系，并不能等同于模型已经掌握完整的物理规律。任务覆盖范围、视频可见性以及测量模块本身，都会影响最终得分。因此，较低或较高的分数都应结合具体任务解读。更现实的方向，是将这类物理测试与动作条件、长期预测和真实环境交互评估结合起来，逐步检验世界模型能否从“生成得像”走向“预测得对”。

来源：Hugging Face Daily Papers