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
271
-
浏览
3527
-
获赞
233
热门推荐
-
优衣库 x《花生漫画》全新联名 T 恤系列释出
潮牌汇 / 潮流资讯 / 优衣库 x《花生漫画》全新联名 T 恤系列释出2020年02月24日浏览:5644 今年,美国漫画家查尔斯·舒尔茨画的漫画《花生漫画》PEANTikTok全托管上线100天:在混乱无序中前行
“半天找不到人,不知道他们在忙什么。”今年5月,众多供应商满怀憧憬、信心满满地加入了TikTok Shop全托管,然而短短两三个月时间,他们的热情便在一系列的混乱无序中,被消耗得所剩无几了。TikTo清朝的“不入八分辅国公”是什么职位?“八分”是什么意思?
今天趣历史小编为大家带来清朝的“不入八分辅国公”是什么职位?希望对你们能有所帮助。清朝宗室爵位基本上是延续明制的,但是有别于明朝的是,清朝的宗室爵位中有“不入八分”这样奇特的爵位,那为何要设置这样的爵古代养一支军队要多少钱?唐宋两朝是如何养兵的?
古代养一支军队要多少钱?趣历史小编为大家带来相关内容,感兴趣的小伙伴快来看看吧。古代军费开销是一笔不可忽略的数字,虽说养兵千日用兵一时,但也要保障士兵的基本生活,上了战场才会拼命。那古代一支军队的日常陕西延安:专项检查中秋月饼市场
中国消费者报西安讯记者徐文智)中秋佳节临近,月饼等节令食品迎来销售旺季,为保证群众吃上安全放心的月饼,确保节日期间食品安全,9月7日上午,陕西省延安市市场监管局对宝塔区制作传统月饼糕点的小作坊和经营店什么样的计谋可称“奇谋”?看看历史上出现过哪些奇谋?
今天趣历史小编就给大家带来什么样的计谋可称“奇谋”?希望能对大家有所帮助。本来想写诸葛亮,后来发现还是写一个“前篇”吧。《三国志·诸葛亮传》中,诸葛亮的评语“治戎为长,奇谋为短,理民之幹,优於将略”,明朝的诏狱是什么地方?诏狱有多恐怖?
今天趣历史小编给大家带来明朝的诏狱是什么地方?感兴趣的读者可以跟着小编一起看一看。明朝崇祯元年,晚明直臣瞿式耜上《陈政事急着疏》,以悲愤笔墨痛骂明朝黑暗诏狱:只要有人被抓进诏狱,那后果就是“魂飞汤火,田陈篡齐为什么不改国号?田和在齐国的地位怎么样?
今天趣历史小编为大家带来了一篇关于田陈篡齐的文章,欢迎阅读哦~王朝更替,国号也会随之改变,纵观历史上的历代王朝,它们大多都遵循了这样一个规律,不过,事有例外,战国时期有一个国家却没有那么做,它在代替原Nike Court Tech Challenge 网球战靴下周发售,致敬阿加西
潮牌汇 / 潮流资讯 / Nike Court Tech Challenge 网球战靴下周发售,致敬阿加西2020年02月22日浏览:3650 日前,耐克推出一双全新清朝皇帝过年不容易!清朝过年宫廷有哪些礼仪?
今天趣历史小编就给大家带来清朝过年宫廷有哪些礼仪?希望能对大家有所帮助。朋友们最近有没有看《故宫贺岁》呢?我也是看了这部纪录片才知道,皇帝过一个年原来不是简简单单祭祖,跟皇子皇妃聚餐,顺便接受臣子拜年现代春运回家难!古代的春运是什么样子的?
古代的春运是什么样子的?不清楚的读者可以和趣历史小编一起看下去。最近一段时间最火热的话题,可能莫过于“过年”了,回家过年,全家人坐在一块吃顿团圆饭,共享家庭之乐,是中国人最重视的节日。自1月12号开始经济日报:中国经济在转型中走向成熟
发布时间:2016-01-29“为何要过分担心?”这是印尼财政部税收事务高级官员听到关于“中国经济下滑论”的第一反应,“中国经济正在转型中走阿迪达斯 Ultra Boost 全新升级版释出,更轻更凉爽
潮牌汇 / 潮流资讯 / 阿迪达斯 Ultra Boost 全新升级版释出,更轻更凉爽2020年02月21日浏览:3323 阿迪达斯旗下不断进化的 Ultra Boos历史上发生过多少次瘟疫?古代遇瘟疫怎么办?
今天趣历史小编给大家带来历史上发生过多少次瘟疫?感兴趣的读者可以跟着小编一起看一看。最近的肺炎有多严重小编就不说了,大家加油一起抗,加油,今天也给大家说说这个历史上出现过几次大的瘟疫吧,看看当时的瘟疫五代十国的乱世持续了多久?五代十国和唐朝有什么联系?
今天趣历史小编给大家带来五代十国和唐朝有什么联系?感兴趣的读者可以跟着小编一起看一看。王朝更迭作为历史循环的最真实写照,给我们今人展现出了历史最为波澜壮阔的一面,而在这波澜壮阔的背后,王朝更迭往往会将