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
1
-
浏览
6791
-
获赞
69617
热门推荐
-
美元飙升给全球市场带来压力,涨势能否延续?
汇通财经APP讯——受美联储不愿降息的提振,美元继续飙升。美元强势给股市和全球经济带来了严峻的挑战。美元的攀升是一种可持续的优势,还是会给市场带来风险?鲍威尔为何保持利率不变?美联储主席鲍威尔最近重申数据解读曼城中场天王状态 5点证昔日王牌已退化
4月14日报道:本赛季曼城在争冠行列已经掉队,目前多赛1场落后切尔西12分,在输掉曼市德比后,加里-内维尔撰文指出,亚亚-图雷目前已经成为了曼城花园里的杂草,曼联名宿还认为科特迪瓦中场已经不能踢拖后中福建平潭现梦幻蓝眼泪奇观
西南化工总承包的国内最大规模焦炉气制甲醇项目开工
9月1日,由西南化工总承包的徐州龙兴泰能源科技有限公司以下简称“徐州龙兴泰”)30万吨/年焦炉气制甲醇及10万吨/年液氨项目建安施工开工典礼在江苏省徐州市举行。该项目是目前国内最大规模焦炉气制甲醇项目足协公布青少年竞赛体系5大目标 重点训练4项技术项目
足协公布青少年竞赛体系5大目标 重点训练4项技术项目_中国足协www.ty42.com 日期:2021-10-12 16:01:00| 评论(已有306575条评论)英媒评穆帅最佳11人:蓝军独占8席 皇马仅C罗+272
4月13日报道:切尔西主帅穆里尼奥拥有辉煌的执教生涯,曾率波尔图、切尔西、国米和皇马获誉无数,《每日电讯报》评选出了他执教的最佳11人,其中蓝军球员占据8席,皇马仅厄齐尔和C罗入选,而国米只有萨内蒂一逃生试炼怎么看门后有没有陷阱
逃生试炼怎么看门后有没有陷阱36qq9个月前 (08-08)游戏知识61奇迹私服 四转技能加点
奇迹私服四转技能加分全攻略,让你轻松成为战斗大师!奇迹私服四转技能点全攻略,让你轻松成为战斗大师!亲爱的玩家们,如果你在玩奇迹私服的话,应该知道四周技能点的重要性吧。今天,我们就来详细解说一下轻松成为黑龙江省深入推进食品安全风险排查整治专项行动
中国消费者报哈尔滨讯记者刘传江)随着中秋节、国庆节的临近,为扎实推进限上餐饮业经营者入统工作及中小学“学生餐”突出问题专项治理工作,持续深化“防风险、保安全、迎大庆范加尔:中场亲吻进攻功臣 2
4月5日报道:凭借埃雷拉和鲁尼的进球,曼联主场3-1击败维拉取得了联赛5连胜,积分暂时超越了少赛1场的曼城升至第3。赛后曼联主教练范加尔对于球队的表现非常满意,他特别称赞了埃雷拉。范加尔说:“我认为我切尔西惨遭"杂物雨"突袭 穆帅:扔巧克力我就吃掉
4月12日报道:凭借法布雷加斯第88分钟的绝杀进球,切尔西客场1-0小胜女王公园巡游者,剩下7轮联赛4场胜利就能确保切尔西夺冠。赛后新闻发布会上,切尔西主帅穆里尼奥坦承,0-0是比较公平的结果,切尔西步行街时尚女人服装店,步行街服装店招店员导购
步行街时尚女人服装店,步行街服装店招店员导购来源:时尚服装网阅读:495玉林市步行街女装品牌有哪些店H&M:快时尚品牌,来自瑞典的时装公司,由埃林·佩尔森ErlingPersson)在1947maxmara六大经典款(maxmara六大经典款大衣介绍)
maxmara六大经典款(maxmara六大经典款大衣介绍)来源:时尚服装网阅读:6853maxmara是什么品牌?这款版型的大衣真绝了1、MaxMara是一个意大利品牌,始于1951年,创办人Ach数据解读曼城中场天王状态 5点证昔日王牌已退化
4月14日报道:本赛季曼城在争冠行列已经掉队,目前多赛1场落后切尔西12分,在输掉曼市德比后,加里-内维尔撰文指出,亚亚-图雷目前已经成为了曼城花园里的杂草,曼联名宿还认为科特迪瓦中场已经不能踢拖后中Billie Eilish x SIBERIA HILLS 全新联乘系列预订开启
潮牌汇 / 潮流资讯 / Billie Eilish x SIBERIA HILLS 全新联乘系列预订开启2019年08月12日浏览:2853 不久前,在美国 Los