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
78
-
浏览
8
-
获赞
29
热门推荐
-
浙江宁波开展中秋月饼专项抽检
中国消费者报讯(记者郑铁峰)日前,浙江省宁波市市场监管局组织在全市范围内开展了中秋月饼专项抽检。本次共抽取并已出检验结果的月饼为179批次,其中合格177批次,不合格2批次,总体合格率为98.9%。不吐司机怎么清洗 吐司机正确清洁5步骤
吐司机怎么清洗 吐司机正确清洁5步骤时间:2022-06-05 12:28:48 编辑:nvsheng 导读:烤吐司机加热快速又方便,起床后丢进吐司再去洗把脸、刷个牙,回来就有热腾腾的酥脆吐司可以锅底烧焦了怎么清洗 5个洗锅底的妙招
锅底烧焦了怎么清洗 5个洗锅底的妙招时间:2022-06-06 12:22:56 编辑:nvsheng 导读:刷刷洗洗直到精疲力尽、可恶的黑焦残渣还是死缠着锅子不走是常有的事!卤完一锅美味的卤肉、独孤皇后因对爱情忠贞却被称为千古妒妇
独孤皇后作为隋文帝杨坚的皇后,她对隋朝的建立有着不可磨灭的功劳,后世对她也有诸多评价,有美誉,也有骂名,她有一颗聪明的头脑,巾帼不让须眉,时常为隋文帝出谋划策,分析利弊,而大多数时候,隋文帝也会采取她打进2球+送出3次关键传球!官方:加纳乔当选曼联西汉姆全场最佳
2月5日讯 英超联赛官方宣布,打入两球帮助曼联3-0战胜西汉姆的加纳乔,当选本场比赛最佳球员。加纳乔全场数据进球:2射正:2关键传球:3成功过人:1地面对抗丢失球权数:12标签:roseonly永生花可以保存多久?roseonly永生花保养
roseonly永生花可以保存多久?roseonly永生花保养时间:2022-06-06 12:24:19 编辑:nvsheng 导读:roseonly永生花是它家最为受追捧的一种花束,和新鲜的玫宋江受招安与从征方腊之谜:如何被招安的
《水浒传》以宋江为核心人物,演绎了一个个生动的官逼民反的故事,然而最后还是受了朝廷的招安,结局颇为悲哀。那么,历史上宋江是如何被招安的?招安后,他们是否跟从官军去征讨方腊起义?这些问题由于史料记载的错螺蛳粉是用什么材料做的 怎么样在家做出正宗的螺蛳粉
螺蛳粉是用什么材料做的 怎么样在家做出正宗的螺蛳粉时间:2022-06-05 12:29:22 编辑:nvsheng 导读:吃了那么多回螺蛳粉,一直都很好奇它究竟是用什么做出来的,怎么这么好吃,要阿迪达斯 x KASINA 联名 Terrex Free Hiker 纯白鞋款亮相
潮牌汇 / 潮流资讯 / 阿迪达斯 x KASINA 联名 Terrex Free Hiker 纯白鞋款亮相2020年02月26日浏览:2917 此前美乐淘潮牌汇曾带来海南空管分局开展CNMS系统联合应急演练
6月23日海南空管分局开展CNMS系统终端功能失效联合应急演练,提升了对CNMS系统失效的应急处置能力,加强了部门之间的应急处置协作。 CNMS联合应急演练是检验相关各岗位值班人员应急处置能秋天有蚊子吗?秋天有蚊子怎么办?
秋天有蚊子吗?秋天有蚊子怎么办?时间:2022-06-06 12:26:44 编辑:nvsheng 导读:不知道小仙女们有没有跟我一样的烦恼,夏天被讨厌的蚊子咬的全身是包,以为凉爽的秋天到了可以结朱元璋赐的免死金牌为何不能救李善长一命?
李善长,开国丞相,明太祖朱元璋曾赐给李善长铁券,也就是免死金牌。“免二死,子免一死”据说以此可赦免自己两次死罪,子一次。最后的结果却是被朱元璋处死全家七十余人。朱元璋赐的免死金牌为何不能救李善长一命?《惊天魔盗团3》主演手指受伤 不仅有魔术还有很多动作戏
在前两部电影中饰演了主角丹尼的杰西·艾森伯格将回归《惊天魔盗团3》。最近他带伤现身了伦敦 BFI电影节,参加与基南·卡尔金联合主演的电影《真正的痛苦》的红毯首映式。接受 GamesRadar+ 采访时白云机场运控中心与中南空管网络公司召开2021年度服务保障交流会
中国民用航空网通讯员 林汉军、江珊珊 报道:5月21日,中南空管网络公司与白云机场运控中心在中南空管局313会议室召开2021年度服务保障交流会。白云机场运控中心党委书记、主任潘健,副主任伍岭,八月份能扦插菊花吗?菊花可以8月份扦插吗?
八月份能扦插菊花吗?菊花可以8月份扦插吗?时间:2022-06-03 11:22:06 编辑:nvsheng 导读:菊花是常见的一种花类可以通过分枝或者扦插的方式繁殖,其中扦插的方法最为常见。那么