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
9685
-
浏览
39
-
获赞
93
热门推荐
-
中粮各上市公司2016年7月18日-7月22日收盘情况
特写:“白鹿”过境时的乌鲁木齐航空客户服务席
通讯员 肖庭栋)客户服务席是每一个航空公司均配备的职能席位,他们既要保障航班运行,也要服务旅客,但对大多数人来说,他们却不如飞行人员或者乘务人员那样被旅客所熟知,那么现在就跟我一起来了解一下暑运旺季期西北空管局技保中心雷达室做好台站UPS巡视维护工作
中国民用航空网通讯员王新院 张青报道:为了加强边远台站供电应急保障能力,9月6日UPS不间断电源))厂家对西北空管局技保中心雷达室所属外台的UPS系统进行了维护和检查,排除一切可能引起不安全的潜在因素这位三国老将戎马一生:命运却比廉颇好
战国时期赵国将军廉颇,是历史上有名的大将,就连司马迁在写史时都发出“赵之良将”的感叹。然而,这位名将晚年却因内部的争斗而不得不避居他国。廉颇为赵将,对齐、秦、燕都取得了辉煌的战绩,可当赵国君王更替后,第三季度耳机线上传统电商平台:量额双高增
第三季度中国耳机线上传统电商平台销量为2990万副,同比增长26.8%;销额为51.6亿元,同比增长20.8%。11月13号消息,洛图科技公布了2024年第三季度,中国耳机线上传统电商平台不含拼抖快等乌鲁木齐国际机场航站区管理部开展“观摩学习强党建 交流借鉴促提升”活动
(通讯员 屈建华 刘露)为纵深推进党支部标准化建设,通过“学先进、找差距,补短板、抓整改”,切实提升航站区管理部工作整体水平,2019年9月6日,在党委书记杨勇同志的带领下,组织各党支部书记前往机务工青海空管分局钓鱼协会开展秋季垂钓比赛
中国民用航空网通讯员晁宝山讯:日前,在青海空管分局广大职工顺利完成暑运大流量航班保障之际,分局钓鱼协会为缓解压力,丰富职工业余文化生活,营造和谐的工作生活氛围,迎中秋、迎国庆,举办了秋季垂钓比赛。在此大连空管站后勤服务中心为全体职工真情制作中秋节月饼
通讯员王海燕报道:“月满中秋团圆夜,心有明月长团圆”,中秋佳节到来之际,举国上下沉浸在阖家团圆的欢乐之中,而空管职工默默守候在岗位上,用他们的辛勤劳动护航万千旅客的归家之路。为做好节日期间后勤服务工作Aimé Leon Dore 2020 春夏系列 Lookbook 赏析~
潮牌汇 / 潮流资讯 / Aimé Leon Dore 2020 春夏系列 Lookbook 赏析~2020年02月20日浏览:2905 在释出了新百伦 2020 全新宁波空管站管制运行部党支部组织观看廉政教育电教片
为进一步加强对党员、领导干部的廉政警示教育,提高党员综合素质,让党员干部树立正确的利益观,近日,宁波空管站管制运行部党支部组织支部党员干部观看廉政警示教育电教片《致命的决口——黄柏青违纪违法案件警示录大连进近管制室全力保障獐子岛急救飞行
9月6日,獐子岛一居民突发疾病,随时面临生命危险,大连进近管制室收到通知后,立即调配其他航空器避让,积极与相邻单位协调,保证急救飞行以最短时间飞往獐子岛接收病人。管制室收到急救的返回计划之后,立马制定空管争分夺秒 开辟绿色通道
2019年8月31日晚19时35分,贵州空管分局区域管制室平稳的波道里传来一条紧急信息——FZA6511深圳至贵阳航班)机组反映,机上有一位旅客突发病情,请求优先落地。管制员收到特情信息之后,立即启用优衣库 UT 全新 THE BRANDS MASTER PIECE 系列首波单品公布
潮牌汇 / 潮流资讯 / 优衣库 UT 全新 THE BRANDS MASTER PIECE 系列首波单品公布2020年02月20日浏览:3558 每一季 UNIQLO乌鲁木齐国际机场航站区管理部积极开展班组岗位练兵活动
通讯员 彭新新 )为进一步提高班组业务水平,提升班组安全生产业务技能,增强班组凝聚力。近日,乌鲁木齐国际机场航站区管理部动力能源管理中心“刘军班组”开展了岗位练兵活动。“刘军班组”结合拟定的末期航站楼内蒙古民航机场地服分公司站坪部开展消防安全专项培训
本网讯地服分公司:张鹏利报道)近日,为提高特种车辆驾驶员消防安全意识,掌握消防安全知识,提高应急处理能力及火灾预防能力,地服分公司站坪部开展了为期三天的消防安全专项培训。 此次培训从室内防火、火灾疏散