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
667
-
浏览
997
-
获赞
71499
热门推荐
-
007 x 阿迪达斯联乘鞋款上脚图首次曝光,邦德同款!
潮牌汇 / 潮流资讯 / 007 x 阿迪达斯联乘鞋款上脚图首次曝光,邦德同款! 2020年02月22日浏览:3390 近日,Adidas与 007 联乘Ultra B宁夏空管分局技术保障部参加高清视景增强场面监视项目设备现场培训
为提高机务员对高清视景增强场面监视系统项目设备现场熟悉程度,掌握各安装地点设备供电、传输具体情况,为系统后续维护奠定坚实基础,11月1日,宁夏空管分局技术保障部导航室组织科室全体人员参加视景增强监视系深化防跑道侵入安全教育活动 不断提升跑道安全保障能力
通讯员 韩璟)十月,是防跑道侵入安全教育月。山西空管分局于10月1日至10月31日组织开展2023年防跑道侵入安全教育月活动。山西空管分局成立了防跑道侵入宣传教育月活动领导小组,下发了活动任务分解,各助力一票到底,保障首航正常—运行指挥中心保障国际中转联程航班首航
2023年10月29日,青岛胶东机场国际中转厅正式启用,东航MU5021西安-青岛-首尔) 成为首次使用胶东国际机场“一票到底”国际中转厅的航班。中转厅全面启用后,不仅优化了旅曝巴萨债务已减少28.4% 仍有1.15亿欧转会费待付
曝巴萨债务已减少28.4% 仍有1.15亿欧转会费待付_欧元www.ty42.com 日期:2021-10-05 09:31:00| 评论(已有305427条评论)河南空管分局进近团支部开展低能见度运行主题英语角
通讯员:尚鹏浩)为提升青年管制员英语能力,认真贯彻落实《中南空管局管制员英语通话能力三年行动计划实施方案》,10月28日,河南空管分局进近团支部开展低能见度运行英语角,强化管制员英语通话能力。本次学习早谋划 细部署 江西空管全力以赴应对“双节”航班量增长
2023年中秋、国庆假期来临之际,江西空管分局提前谋划,周密部署,全力备战“双节”期间民航空管保障。据悉,今年中秋、国庆期间9月29日至10月6日),旅客出行需求高涨。南昌昌北民航桂林空管站举办2023年度通讯员宣传写作提高班
通讯员:王天鸿)为整体加强我站新闻宣传力度和质量,提高通讯员新闻报道、新媒体宣传综合能力水平,打造有想法、有能力、有作为的宣传通讯队伍,10月31日桂林空管站举办2023年通讯员培训班,特邀请民航中南The Letters 发布 2020 春夏系列型录,当代西方情怀
潮牌汇 / 潮流资讯 / The Letters 发布 2020 春夏系列型录,当代西方情怀2020年02月25日浏览:3084 日前,由设计师向田雄一主理的 The更好满足年货寄递需求
□ 相关部门要引导快递企业利用大数据预测需求变化。□ 受寒潮、雨雪等天气影响,部分地区快递服务时效可能有所延长。□ 快递企业要积极采取措施,主动应对挑战。每到春节前,网络上都会出现各种“快递停运时间表北京全市公园推出百余项文化活动迎春节
中新网北京2月5日电 (记者 徐婧) 龙年春节将至,记者从北京市园林绿化局获悉,为丰富首都市民春节期间的生态文化生活,全市公园将推出109项生态文化活动,包括文化游览、自然科普、花卉展览、民俗体验、新江西空管分局后勤服务中心开展中秋国庆车辆安全检查工作
在中秋国庆双节来临之际,为确保江西空管分局节日期间公务用车的行车安全与各项出车任务的顺利保障,分局后勤服务中心车辆管理室组织对所辖公务车辆进行了安全检查工作。车辆管理室高度重视此次检查工作,科室领导与你喜欢谁?两年轻女演员试镜《古墓丽影》电视剧劳拉
亚马逊米高梅工作室正在为《古墓丽影》剧集试镜劳拉演员。据Deadline消息,索菲·特纳《权力的游戏》)和露西·博伊顿《波希米亚狂想曲》)有望试镜这个角色,该角色此前曾由安吉丽娜·朱莉和艾丽西亚·维坎江西空管分局开展塔台管制员模拟机复训
为扎实做好防跑道侵入安全教育月活动,全面提升塔台管制员安全意识和业务能力,10月15日至16日,江西空管分局开展了塔台管制员模拟机复训。此次模拟机复训,针对防跑道侵入和航班换季,增加了大量特殊场景,如挺膺担当 攻坚克难 誓言声声聚人心江西空管分局开展管制大楼搬迁交流宣誓活动
“我宣誓,在江西空管分局管制大楼搬迁工作中,我坚决做到闻令而行、迎难而上,以江西空管主人翁的姿态挺膺担当、攻坚克难、团结奋进……”在即将投运的江西空