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
27161
-
浏览
3742
-
获赞
5937
热门推荐
-
范斯 Classics 全新 Emboss 系列鞋款上架发售
潮牌汇 / 潮流资讯 / 范斯 Classics 全新 Emboss 系列鞋款上架发售2020年02月18日浏览:2960 继荧光系列经典鞋款释出后,滑板品牌范斯经典支曝切尔西已敲定帕托加盟 将在48小时内官方宣布
北京时间1月25日,根据英国多家媒体的报道,前米兰妖锋帕托将租借加盟切尔西,这笔交易将很可能在48小时内获得官方宣布。根据《每日邮报》的报道,在英国当地时间周日晚,切尔西已经敲定了帕托的加盟。不过与此为何美元本周大幅上涨?日元、英镑、欧元和加元的未来走势如何?
汇通财经APP讯——本周,外汇市场的主要焦点集中在美元、日元、英镑、欧元和加元这五种主要货币的表现上。市场对即将到来的经济数据和央行政策的预期推动了这些货币的剧烈波动。本文将回顾每种货币本周的走势,并Stussy x PORTER 2018 秋冬联名包款今日发售~
潮牌汇 / 潮流资讯 / Stussy x PORTER 2018 秋冬联名包款今日发售~2018年10月12日浏览:5063 继与美国工装潮牌 Dickies 联手打壕!德转:纽卡新老板能买两千多个姆巴佩或哈兰德
壕!德转:纽卡新老板能买两千多个姆巴佩或哈兰德_英超www.ty42.com 日期:2021-10-09 11:01:00| 评论(已有306057条评论)记者:青岛籍U18新星郝士超加盟塞甲球队,梦想能到五大联赛踢球
7月5日讯据《青岛日报》记者孙飞报道,出生于2006年的青岛籍新星郝士超已经与塞尔维亚足球甲级联赛俱乐部因吉亚签订了一份为期3年的工作合同。郝士超小学五年级才开始踢球,一开始在青岛鲲鹏足球俱乐部接受专国家卫生计生委领导慰问我院国家医疗队
9月23日,国家卫生计生委医政医管局马旭东处长一行3人在我院医教部刘凯科长陪同下赶赴康定,指导国家巡回医疗队工作并慰问医疗队队员。国家医疗队因工作安排,当天在距康定数十公里外的新都桥镇附近开展工作。马太平洋建设中山七集团甘肃、内蒙多项目开工
4月20日,太平洋建设中山七集团承建的甘肃省兰州新区上面层沥青铺筑、内蒙古锡林郭勒盟多伦县北二环道路扩建工程及锡林郭勒盟阿巴嘎旗哈日阿都西街项目同日开工。 兰州新区上面层沥青铺筑工程是兰州新区项目的Air Max 97 鞋款全新珍珠白配色释出,小姐姐专享
潮牌汇 / 潮流资讯 / Air Max 97 鞋款全新珍珠白配色释出,小姐姐专享2020年02月21日浏览:2764 不论是为东京奥运会打造的“金子弹”还是细节满满的每周黄金调查:分析师看法分歧,市场焦点转向非农就业数据
汇通财经APP讯——本周黄金市场经历了一系列波动后,呈现出相对平稳的交易状态,价格在2500美元/盎司以上波动。在每周黄金调查中,零售投资者对黄金价格的看涨情绪有所减弱,而行业专家的观点则分布在整个情佩帅亲证曼城队长休战1月 玻璃队魂成争冠隐患
根据英国《BBC》网站消息,曼城队长孔帕尼由于小腿受伤将会缺阵4周。曼城主帅佩莱格里尼今日接受采访时表示,蓝月亮队长孔帕尼由于小腿受伤将会再一次面临长时间的缺阵。“这次受伤的是同一条腿,但是不同的部位Brain Dead x Converse 联名鞋款发售日期确定!
潮牌汇 / 潮流资讯 / Brain Dead x Converse 联名鞋款发售日期确定!2018年10月23日浏览:5624 以美国洛杉矶为据点,洛杉矶丰富的街头文报道指出《疾速追杀》系列导演不得不重拍外传《芭蕾杀姬》大部分场景
由伦·怀斯曼执导的《疾速追杀》外传电影《疾速追杀外传:芭蕾杀姬》,计划于2025年6月6日在美国上映。不过本片原计划在今年早些时候上映,但被推迟至明年。现在据外媒“The Wrap”报道,《芭蕾杀姬》罗马诺:尤文计划今夏出售小基耶萨,然后引进一名新边锋
7月5日讯 转会专家罗马诺消息,尤文计划今夏出售小基耶萨,然后引进一名新边锋。罗马诺透露,尤文图斯在费德里科-基耶萨问题上的决定很明确:计划今夏出售合同将于2025年6月到期的意大利边锋。新帅莫塔不认重磅!2024国家自然科学基金评审结果揭晓
【化工仪器网 时事热点】国家自然科学基金重大研究计划是现阶段国家自然基金中层次最高、资助力度最大、权威性最强的项目类别,主要围绕国家重大战略需求和重大科学前沿,凝练科学目标,凝聚优势力量,形成具有相对