类Sora模型到底懂不懂物理?字节完成系统性实验证明
Sora爆火以来,模明“视频生成模型到底懂不懂物理规律”受到热议,型到系统性实但业界一直未有研究证实。底懂近日,不懂字节跳动豆包大模型团队公布最新论文,物理完成研究历时8个月,字节围绕“视频生成模型距离世界模型有多远”首次在业界完成系统性实验并给出明确结论:视频生成模型可以记忆训练案例,验证但暂时还无法真正理解物理规律,模明做到“举一反三”。型到系统性实
图灵奖得主、底懂Meta首席AI科学家杨立昆点赞并转发了该研究,不懂表示“结论不令人意外,物理完成但很高兴终于有人做了这个尝试!字节”
自OpenAI发布Sora模型以来,验证很多视频生成模型都会强调其生成结果对物理规律的模明遵循。豆包大模型视觉团队相关小组,对视频生成模型究竟能否从视觉数据中“发现”并“理解”物理定律感到好奇,决定深入研究。
历时8个月,该团队完成了业界首个系统性的实验研究。团队通过专门开发的物理引擎合成了匀速直接运动、小球碰撞、抛物线运动等经典物理场景的运动视频,用于训练基于主流DiT架构的视频生成模型。然后,通过检验模型后续生成的视频在运动和碰撞方面是否符合力学定律,判断模型是否真正理解了物理规律,并具有“世界模型”的潜力。
实验中设计的不同运动场景
豆包大模型团队的实验发现,即使遵循“Scaling Law”增大模型参数规模和数据量,模型依然无法抽象出一般物理规则,做到真正“理解”。
以最简单的匀速直线运动为例,当模型学习了不同速度下小球保持匀速直线运动的训练数据后,给定初始几帧,要求模型生成小球在训练集速度区间内匀速直线运动的视频,随着模型参数和训练数据量的增加,生成的视频逐渐更符合物理规律。
然而,当要求模型生成未曾见过的速度区间(即超出训练数据范围)的运动视频时,模型突然不再遵循物理规律,并且无论如何增加模型参数或训练数据,生成的结果都没有显著改进。这表明,视频生成模型无法真正理解物理规律,也无法将这些规律泛化应用到全新的场景中。
通过进一步的实验分析,研究团队得出结论,“生成新视频时,模型主要依赖对训练案例的记忆和匹配。视频生成模型就像一个只会‘抄作业’的学生,一旦遇到从未见过的场景,如不同大小、速度的物体相互作用,就会‘犯迷糊’,生成结果与物理规则不符。”
不过,研究中也有一个好消息:如果训练视频中所有概念和物体都是模型已熟悉的,此时加大训练视频的复杂度,比如组合增加物体间的物理交互,通过加大训练数据,模型对物理规律的遵循将越来越好。这一结果可为视频生成模型继续提升表现提供启发。
据了解,本研究两位核心一作都非常年轻,一位是95后,一位是00后,在豆包大模型团队专注视觉领域的基础研究工作。作者们一直对世界模型感兴趣,在8个月的探索中,他们阅读了大量物理学研究文献,也尝试从游戏中获得研发灵感,历经多次失败后,最终一步步确定研究思路和实验方法。
友链
外链
互链
Copyright © 2023 Powered by
六合彩图库源码【购买联系电报bc3979】AC彩票网站源码|六合彩源码|彩票搭建|新中原六合彩源码|【网站bc9797.com】六合彩论坛源码【联系飞机bc3979】
sitemap
-
文章
95863
-
浏览
5232
-
获赞
4
热门推荐
-
李维斯 x Denim Tears 联名 Vintage 牛仔工装系列发售
潮牌汇 / 潮流资讯 / 李维斯 x Denim Tears 联名 Vintage 牛仔工装系列发售2020年02月17日浏览:3901 既携手星战9打造别注丹宁夹克之普遍维持晴好,雾霾见缝插针
通讯员 张静)在2023年元旦小长假期间,山西地区普遍维持晴好天气。伴随温暖阳光的持续“在线”,山西大部分地区将迎来气温的小幅度回升,其中中南部城市气温将回升至5℃以上,但是早景德镇机场开展防爆仪专项培训
本网讯景德镇机场:汪欢欢报道)为进一步提升景德镇机场候机楼防爆检测能力,景德镇机场新购置的三台防爆检测仪,通过航科院和设备小组验收,近日,设备厂家技术人员对安检人员进行了系统培训。此次的主要内容包含仪景德镇机场开展安检技能考核工作
本网讯景德镇机场:徐纯报道)为进一步规范安检员业务素质,加强和巩固员工的实际操作技能水平,近期,景德镇机场安护部积极组织安检员开展年末安检员技能考核工作。本次考核主要包含人身检查、开箱包检查、开机考核中国食品发布2015年度业绩公告
3月22日,中国食品HK.00506)发布2015年度业绩公告。2015年,中国食品经营收入为278.42亿港元,同比增加6.1%;经营利润为6.2385亿港元,同比增加92%。2015年,中国食品不景德镇机场生产快速回暖
本网讯景德镇机场:雷乐其 石文清报道)12月12日,景德镇机场单日货邮量2.49吨,环比前一日增加2.3吨,创8月份以来单日货邮吞吐量新高,同比2021年12月12日增加2.485吨。12月16日起降崇祯皇帝为何要凌迟处死明朝功臣袁崇焕呢?
袁崇焕是明朝历史中一个绕不过去的人物,关于他的事迹大家都是耳熟能详。袁崇焕作为明朝晚期的著名将领,可以说算是明朝为数不多可以依靠的救命稻草,为何却被崇祯皇帝杀害呢?这里面到底有何隐情呢?网络配图 袁崇海航航空旗下乌鲁木齐航空元旦假期安全运输旅客1.3万人次
通讯员谢承宗)2022年12月31日至2023年1月2日,国内民航市场迎来元旦佳节的出行高峰期。元旦假期期间,海航航空旗下乌鲁木齐航空各销售渠道机票搜索量翻倍,运行航班量增加,截至2023年1月2日,雅漾用久了为什么脸色发黄(十大不含激素的护肤品)
雅漾用久了为什么脸色发黄(十大不含激素的护肤品)来源:时尚服装网阅读:8074雅漾的产品有增厚角质层的作用,脸色会变黄?1、我觉得这个说法不对,用雅漾的敏感人群除了健康的皮肤)本身就是角质层过薄了,它大唐最强演技派: 李隆基惨被三百斤大胖子迷惑
唐玄宗李隆基在武则天遗留的政坛乱局中,延续繁华并开创了“开元盛世”,堪称一代明主,但晚期也一手造成了“天宝之乱”,使得唐朝由盛转衰。但直到安禄山起兵,玄宗一直掌握着朝廷大权,为什么因政变登位,堪称果敢最神秘的人物布下了一盘棋局 决定了三国归晋
东汉末年,爆发了黄巾起义,成了压垮汉室的最后一根稻草。尽管后来起义被成功镇压,但朝廷已经失去了对地方的控制,袁绍、刘表等人拥兵自重,汉室名存实亡。各势力之间相互征伐,百姓民不聊生,有才之士为了实现心中揭秘福康安是乾隆私生子 此事是怎么坐实的?
福康安是乾隆最宠幸的臣子,一生荣耀无人能敌。他“生封贝子、死赠亲王”,并且三代以内世袭罔替,是整个清朝唯一一例。因为乾隆对福康安太好了,坊间到处传言福康安系乾隆私生子,甚至连正史记载都有一些蛛丝马迹。黛安芬内衣(黛安芬内衣中国生产基地)
黛安芬内衣(黛安芬内衣中国生产基地)来源:时尚服装网阅读:2717娅筑和黛安芬内衣哪个好1、黛安芬 世界女性内衣第一品牌,有着和现代内衣一同起源的112年历史,行销120 个国家,每年产量超过2亿件。中了魔咒?清朝最后三位皇帝为何都无子嗣
泱泱大清朝统治了中国近代近300年的时间,到了最后三个皇帝的时候却出现了一个奇怪的事情,同治皇帝,光绪皇帝,宣统皇帝都“绝后”没有留下任何子嗣。爱新觉罗皇族在最后的几十年到底发生了什么,妻妾成群的皇帝远赴台站忙巡检 检查设备保安全
通讯员:刘建鹏)虽然疫情防控面临新形势新任务,但为了更好的做好通导设备的运行保障工作,也为了顺利完成年度巡检大修任务,民航甘肃空管分局技术保障部通信室于12月21日派人前往民勤雷达站,开展民勤雷达站