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
9
-
浏览
9288
-
获赞
643
热门推荐
-
锐步 Question Mid 乔治城配色“Georgetown”鞋款抢先预览
潮牌汇 / 潮流资讯 / 锐步 Question Mid 乔治城配色“Georgetown”鞋款抢先预览2020年02月23日浏览:2714 既红蓝鸳鸯及燕麦配色之后,我院召开患者满意度调查问卷研讨会
在全院各部门、临床科室的大力支持和配合下,由我院聘请的第三方患者满意度调查机构已对院内开展了3轮以患者看诊流程为周期,覆盖急诊、门诊、医技科室、住院和出院患者的满意度调查工作。经过各科室的建言献策,该我院眼视光学博士首次在ISMRM大会上发言并获金旗奖
4月22日,国际医学磁共振领域最权威的盛会——第25届国际医学磁共振学会International society for magnetic resonance in medicine, ISMRM)分析师警告:如果紧张情绪发生市场蔓延,可能引发美联储紧急降息
汇通财经APP讯——在经历了上周的大规模抛售后,市场仍处于紧张状态,投资者就9月份降息50个基点和25个基点的预期存在分歧。QI Research的CEO兼首席策略师Danielle DiMartin锐步 Question Mid 乔治城配色“Georgetown”鞋款抢先预览
潮牌汇 / 潮流资讯 / 锐步 Question Mid 乔治城配色“Georgetown”鞋款抢先预览2020年02月23日浏览:2714 既红蓝鸳鸯及燕麦配色之后,足协杯中甲独苗吐槽赛制 李毅:两回合对弱队不公平
足协杯中甲独苗吐槽赛制 李毅:两回合对弱队不公平_决赛www.ty42.com 日期:2021-10-24 14:31:00| 评论(已有308837条评论)BigBoysToys推出全新《拳皇98》赤焰迷你草薙京限定玩偶,香港动漫节上架
潮牌汇 / 潮流资讯 / BigBoysToys推出全新《拳皇98》赤焰迷你草薙京限定玩偶,香港动漫节上架2019年06月19日浏览:3394 BigBoysToys上锦中西医结合科给标本柜上戴“帽子”
近日,上锦中西医结合科的护士们改进了标本回收柜,给它上戴了一顶“帽子”,这一新的措施,从根本上解决了标本放置不入柜的问题。 院感问题在医院管理中占有重要位置,是评价管理质量的一项重要指标。而奖金到手?曝国足战胜越南可获600万 延续40强赛分配方案
奖金到手?曝国足战胜越南可获600万 延续40强赛分配方案_比赛www.ty42.com 日期:2021-10-08 09:31:00| 评论(已有305867条评论)李毅:欣慰足协杯一直坚持下来 九牛表现可打85分
李毅:欣慰足协杯一直坚持下来 九牛表现可打85分_比赛www.ty42.com 日期:2021-10-26 11:31:00| 评论(已有309280条评论)PUMA CELL Stellar鞋款全新白黄、白蓝两款配色释出~
潮牌汇 / 潮流资讯 / PUMA CELL Stellar鞋款全新白黄、白蓝两款配色释出~2019年06月18日浏览:5498 今年,德国运动大牌 PUMA 为了助力钢化玻璃餐台:节省空间、更加耐用以及易清洁
钢化玻璃餐台是一种非常实用和美观的家具选择。它具有许多优点,但也有一些缺点需要注意。在选择购买时,消费者应该根据自己的需求和预算来做出决策。钢化玻璃餐台的需求主要来自于以下几个方面:第一,随着生活水平C罗轰国家队112球再刷纪录 出场超拉莫斯欧洲第1
C罗轰国家队112球再刷纪录 出场超拉莫斯欧洲第1_比赛www.ty42.com 日期:2021-10-10 08:31:00| 评论(已有306170条评论)千件猛犸牙雕亮相潘家园 收藏资讯
声明:本文来源于网络版权归原作者所有,仅供大家共同分享学习,如作者认为涉及侵权,请与我们联系,我们核实后立即删除。切尔西计划与坎特谈续约 若报价合适球员愿留下
据知名转会专家罗马诺报道,切尔西将会在未来几周继续与坎特商谈续约,双方下一轮会面已经提上日程。 罗马诺透露从双方首次谈判来看,坎特留队与离队的概率基本相同,若得到合适报价的话,球员是愿意继续留在蓝军