一句话看懂：研究团队近日发布物理世界模型 PhiZero，放弃视频生成中“盲目预测像素”的做法，改用自监督学习得到的“物理语言”先做显式推理、再渲染视频，为解决视频模型物理一致性不足的痛点提供了新路线。
事件核心：发生了什么
在视频生成被日益视为具身智能模拟器的当下，主流模型大多直接在像素空间预测未来帧，物体运动经常出现违背物理规律的偏差。为此，研究团队推出了物理世界模型 PhiZero。它的核心创新是提出一种名为“物理语言”的离散表示：通过自监督学习从海量户外视频中提取状态转换模式，捕获不同场景中的动态演化规则。
基于这一表示，PhiZero 采用“先推理、后渲染”架构：系统先在物理语言空间中推断未来演化轨迹，再由专用扩散解码器渲染成高清视频，将底层动力学模拟与像素级合成解耦。技术实现上，系统包含两个核心模块：物理语言分词器使用 transition-level Q-Former 捕捉相邻状态的变化，并结合有限标量量化生成紧凑的离散符号；物理语言推理器则用预训练的视觉-语言模型初始化，根据首帧和文本动作意图预测未来的物理语言序列。在 Physics-IQ Verified、PhyGround、WorldModelBench 等多项基准评测中，PhiZero 在物理推理和视频生成任务上均取得领先表现，能较真实地呈现碰撞位移、重力形变和复杂链式反应。
为什么重要
PhiZero 的路线价值在于把“理解物理”和“生成画面”分开处理。此前视频生成模型通常把物理规律隐式塞进像素预测中，结果不稳定；PhiZero 则先让模型在抽象符号空间做显式推理，再用扩散模型补全视觉细节。这种思路如果被验证可行，可能推动视频生成从“看起来合理”走向“物理上可预测”，对需要长期稳定模拟的具身智能
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
