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
71
-
浏览
3819
-
获赞
9
热门推荐
-
啥情况恩佐和凯塞多同时注销推特账号,疑似遭到蓝军球迷网暴
2月3日讯 北京时间今早,切尔西中场恩佐和凯塞多都注销了自己的推特账号。目前,已经无法在推特上搜索到两人的账号。两人注销社交媒体的具体原因还不清楚。有不少球迷和媒体表示,在切尔西不敌利物浦的比赛后,众揭秘:唐宣宗为什么要毒死自己心爱的美妃
江山与美人似乎是一个不可得兼的两难选择,选择江山就不能选择美人,选择美人就必须舍弃江山。由于每个人的具体情况不同,选择也就会因人而异。历史上的商纣王、周幽王、南朝陈后主,还有唐朝的玄宗皇帝,他们选择的直男癌是什么意思?直男癌有哪些特征表现
直男癌是什么意思?直男癌有哪些特征表现时间:2021-11-17 22:53:53 编辑:本站整理 导读:直男癌,是很多女性吐槽的一种人群,但是对于这三个字的理解很多人有点搞不清楚,甚至不理解什么汉献帝怎么死的?揭秘曹操父子与汉献帝的关系
220年10月,汉献帝告祭祖庙,使张音奏玺绶诏册,禅位于曹丕。曹丕在繁阳亭登上受禅坛,接受玉玺,即皇帝位。随即进入许都,改建康元年为黄初元年,国号为魏,追尊曹操为武皇帝,庙号太祖。废献帝为山阳公,曹皇AJ1 LOW 鞋款全新巴黎城市主题配色即将登陆
潮牌汇 / 潮流资讯 / AJ1 LOW 鞋款全新巴黎城市主题配色即将登陆2020年02月14日浏览:4422 借势高帮 Air Jordan 1 的超高人气,Air女人夏天怎么养生 女人夏天养生秘技
女人夏天怎么养生 女人夏天养生秘技时间:2021-11-17 22:53:53 编辑:生活研究所 导读:很多女明星的皮肤特别好,在她们身上感觉岁月就是一把美容刀,满满的胶原蛋白!比如刘亦菲十年前后粉光参是什么 粉光参的功效与作用
粉光参是什么 粉光参的功效与作用时间:2021-11-17 22:53:53 编辑:本站整理 导读:粉光参是什么很多人都听不明白,其实粉光参的叫法多数只在台湾地区有这么叫,在大陆的叫法西洋参,这样俄国沙皇尼古拉二世和乔治五世之间有什么关系
尼古拉二世和乔治五世的母亲是亲姐妹,因此他们两个是表兄弟,而且两人的外貌也略有相似。生活在同一时代的尼古拉二世和乔治五世曾多次合照,更互换过头盔。尼古拉二世和乔治五世的母亲之间的关系也格外的好。乔治五于大宝:12强赛没有一场容易的比赛 结果才是最重要的
于大宝:12强赛没有一场容易的比赛 结果才是最重要的_中国队www.ty42.com 日期:2021-10-08 22:01:00| 评论(已有305958条评论)希腊酸奶和普通酸奶的区别 先了解优缺点
希腊酸奶和普通酸奶的区别 先了解优缺点时间:2021-11-17 22:53:53 编辑:本站整理 导读:希腊酸奶的风潮近年从欧美吹进中国,许多模特儿、美食家和饮食达人无不开始推广希腊酸奶的好,让旅游不能和什么性格的人一起
旅游不能和什么性格的人一起时间:2021-11-17 22:53:53 编辑:本站整理 导读:春节假期将至,你已展开旅行计画了吗?然而旅程要完美,挑对旅伴很重要,千万要慎选!以下这4大类最常遇到三九天能跑步吗?健身保暖两不误
三九天能跑步吗?健身保暖两不误时间:2021-11-17 22:53:53 编辑:本站整理 导读:跑步对身体有好处,很多人都会选择每个星期抽出几天时间去跑步。那么,三九天能跑步吗?跑步对身体有好处Air Max 95“110”特殊配色鞋款释出,致敬伦敦街头文化
潮牌汇 / 潮流资讯 / Air Max 95“110”特殊配色鞋款释出,致敬伦敦街头文化2020年02月24日浏览:3086 Air Max 家族在伦敦甚至全英国都非冰箱怎么放置东西合理 冰箱终极清理术
冰箱怎么放置东西合理 冰箱终极清理术时间:2021-11-17 22:53:53 编辑:本站整理 导读:是否觉得自己的冰箱总是很乱,空间也总觉得越来越小,这个时候你需要好好的清理一下你的冰箱,并科黑龙江空管分局技术保障部第二党支部开展2020年度组织生活会和民主评议党员工作
3月26日下午,黑龙江空管分局技术保障部第二党支部召开党员大会,开展2020年度组织生活会和民主评议党员工作,支部12名党员参加此次党员大会。分局副局长李保国以普通党员身份参加了党员大会。会前,支部组