当人们谈到"世界模型"（World Models）时，很多人会首先想到近年来迅速发展的生成式视频模型。
从通用生成模型 Wan 到 NVIDIA 的视频世界模型 Cosmos，这些模型已经能够生成视觉效果极为逼真、质量极高的动态场景，看起来仿佛真实世界的录像。
在很多情况下，这种能力已经足够令人惊叹：
模型可以生成海浪拍岸、火焰燃烧、车辆行驶、甚至复杂的人类活动。从视觉角度来看，它们似乎已经"学会了"世界的运行方式。
然而，如果仔细观察这些视频，就会发现一个耐人寻味的现象：
它们看起来很真实，却未必真正"理解"物理世界。
例如，在一些生成视频中，会看到：
无中生有、不断蔓延的蜂蜜；
△ Wan
△ Prophy
斧头劈柴结果不同步；……
△ Wan
△ Prophy
这些违背常识的细节，正在暴露一个关键问题：
现有的视频生成模型，本质上仍然停留在"外观拟合"，而非真正的"物理建模"。
换句话说，它们可以生成"像物理"的画面，却未必真正理解：
物体为何运动
力如何传递
物理现象应当在何处发生
这也引出了一个越来越受到关注的问题：
生成式视频模型，究竟是在"模拟世界"，还是仅仅在"模仿世界"？
为突破这一瓶颈，中山大学和 MBZUAI 等机构联合提出了 ProPhy。该工作构建了一种全新的渐进式物理对齐框架，使视频扩散模型首次具备"分层物理理解"与"空间物理对齐"能力——不仅能够判断应当呈现何种物理现象，更能够精准定位物理现象应发生在画面的何处。ProPhy 的提出，标志着视频生成模型从"视觉逼真"迈向"物理一致"，向真正意义上的"世界模拟器"迈出了关键一步。
目前，该论文已被CVPR2026接近满分接收，项目的论文和代码均已开源：
思考：为什么视频模型学不会物理？
尽管现有模型在视觉逼真度上突飞猛进，但在物理一致性方面却屡屡"翻车"。论文指出现有方法存在两个根本性瓶颈：
1. 缺乏显式的物理建模：当前大多数方法依赖隐式学习，或仅使用粗粒度的全局物理类别标签进行辅助。这种方式本质上只是让模型"模仿现象"，却没有真正形成可区分、可组合的物理先验。换句话说，模型或许能生成"像燃烧""像碰撞"的画面，但并未真正理解：不同物理规律之间的差异是什么；各类物理现象在现实世界中应如何演化。结果是——物理规律在模型内部仍然是模糊、混合且不可分解的。
2. 缺乏细粒度空间对齐：真实世界的物理现象往往发生在局部区域（火焰在燃烧处、水花在接触点飞溅），但模型往往"各向同性"响应，缺乏对空间区域的差异化建模，无法精准定位物理事件发生的位置。这意味着：模型即使"知道"有火，也未必能在正确位置燃烧；即使"知道"有碰撞，也未必遵守动量守恒。
ProPhy：把"物理专家"植入视频模型？
不再让模型模糊地"猜物理"，而是让不同"物理专家"分别掌握不同物理规律，并通过渐进式对齐进行协调
两阶段物理专家机制（MoPE）
第一阶段：语义物理专家（SEB）
SEB 负责建立对场景整体物理结构的宏观理解。在这一阶段，模型首先从文本提示中解析潜在的物理语义信息，识别场景中可能涉及的物理现象类型。通过语义路由机制，不同的物理专家（如燃烧、反射、折射、流体运动等）被动态激活，并融合为统一的视频级物理先验表示。这一阶段的核心目标是回答一个全局问题：
"这个视频涉及哪些物理规律？"
第二阶段：细粒度物理专家（Refinement Expert Block, REB）
如果说 SEB 建立的是"物理种类"的认知框架，那么 REB 则负责"物理位置"的精确落地。在获得全局物理先验之后，模型进一步进入精细化对齐阶段。REB 在 token 级别执行专家路由，为每个空间位置动态分配最合适的物理专家，使不同区域对不同物理规律产生差异化响应，从而实现空间各向异性的物理建模。这一阶段解决的是一个更加关键的问题：
"物理现象具体发生在画面的哪里？"
专家知识：向 VLM 借"物理感知能力"
论文中一个极具启发性的发现是：
在"物理现象定位"这一能力上，Vision-Language Model（如 Qwen2.5-VL）往往比视频生成模型更精准。
换言之，生成模型擅长"画出来"，但未必擅长"看清楚"。而 VLM 在跨模态理解与空间注意力分布上，反而具备更强的物理事件定位能力。基于这一观察，作者做了一件相当大胆的尝试——将 VLM 的物理感知能力迁移到生成模型中。
具体而言：
利用 VLM 进行物理现象问答（例如"视频中燃烧现象发生在哪里？"）
提取对应的 attention map
构建 token 级物理定位信号
将该信号对齐到生成模型的 Refinement Router
这本质上是一种跨模型的物理能力蒸馏与迁移。
实验结果：不仅更"守物理"，更"会运动"定量评估
在权威物理常识评测基准VideoPhy2上，ProPhy 展现出显著优势：
在 Wan2.1-1.3B 基座模型上
Joint 指标提升 +19.7%
Physical Commonsense（PC）与 Semantic Adherence（SA）同步提升
这意味着模型在"物理正确性"与"语义一致性"两个维度上同时增强，而不是以牺牲语义为代价换取物理分数。
在 CogVideoX-5B 上
多项指标达到 SOTA 或次优水平
在整体与困难子集（HARD）上均表现稳定
ProPhy 并非针对某一特定架构调优，而是具备良好的通用性与可迁移性。
在强调视频动态表现能力的VBench评测中
Dynamic Degree 指标显著提升
综合质量评分同步提高
视觉对比
ProPhy 带来的不仅是画质的提升，更是物理逻辑层面的彻底重构。相比于传统方法中频发的现象触发错位、动量守恒违背或空间穿模，ProPhy 在动态表现上展现出了极高的现实一致性：
动作更严谨：无论是掷铁饼时的瞬间扬尘，还是球体碰撞的动量传递，均清晰可辨；
交互更自然：液体流向不再违背容器结构，足球轨迹与落点保持逻辑统一。
这标志着模型从追求视觉"形似"向遵循"世界规则"的本质跨越——它生成的不再只是视频，而是一个受现实约束的动态世界。
更多的定性分析也能够表明，ProPhy 能够在多个物理领域下生成更加符合物理实际的视频。
更深层意义：通向"可控物理世界模型"
论文中还有一个极具启发性的实验。当研究者人为反转物理专家的路由权重时，模型生成的结果发生了戏剧性变化——原本刚性的汽车车门，竟然像布料一样随风飘动。这一现象并非偶然的生成失误，而是一个强有力的证据：
不同物理专家模块，确实学习到了彼此区分的物理先验。
换句话说，模型内部已经形成了结构化、可分解的物理知识表示。当研究团队干预专家选择时，等于直接操控了物理规则本身。这不只是一次性能优化，而是一次能力边界的拓展——视频生成模型，第一次展现出向"可控物理世界模型"演化的潜力。未来，这种结构化物理建模方式可能带来一系列全新的能力：
可控物理属性编辑：让刚体变柔性，让流体变黏稠，直接操控物体的物理属性。
物理规律迁移：将某种物理行为模式迁移到新的场景或对象上，实现跨场景物理泛化。
物理参数调节：调整重力强度、碰撞弹性、流体阻力等隐含参数，实现"物理可编程生成"。
可解释物理建模：通过专家激活模式理解模型内部"相信"的物理规律，提升透明度与可分析性。
△ Inverted Experts
△ Prophy 总结与展望总结：从"看起来真实"到"运行真实"
ProPhy 的意义，并不只在于一次性能提升或一个新模块设计。它真正推动的是视频生成范式的转变——从依赖数据统计规律的视觉拟合，走向具备结构化物理建模能力的动态推演。
通过分层物理专家机制与细粒度空间对齐策略，ProPhy 让模型第一次同时回答两个关键问题："涉及哪些物理规律？"以及"这些规律发生在何处？"更重要的是，它借助 VLM 的空间感知能力，将物理定位能力迁移到生成过程之中，使视频生成不再只是外观一致，而是逐步具备物理一致性。这意味着，视频模型正在从"像世界"迈向"遵循世界"。
展望：下一代可推演的世界模型
当然，ProPhy 仍然只是一个开始。当前的物理建模仍基于类别与注意力对齐，未来或许可以进一步引入连续动力学建模、微分方程约束，甚至将物理引擎与生成模型深度融合，使模型具备更可解释、可控制的物理推演能力。
当视频生成真正理解力、能量与守恒定律，当物理规律成为生成过程的内在约束，我们或许将迎来一种全新的 AI 形态——不仅能够生成世界的表象，更能够模拟世界的运行。那时，视频模型将不再只是创作工具，而是真正意义上的"可学习世界模拟器"。
论文第一作者中山大学一年级博士生王子俊和穆罕默德 · 本 · 扎耶德人工智能大学（MBZUAI）胡攀文博士，研究方向为视频生成和世界模型；通讯作者为中山大学智能工程学院梁小丹教授和黎汉汇教授。
论文标题：
ProPhy: Progressive Physical Alignment for Dynamic World Simulation
论文链接：
https://arxiv.org/pdf/2512.05564
项目主页：
https://zijunwa.github.io/prophy/
代码链接：
https://github.com/zijunwa/ProPhy
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
我们正在招聘一名眼疾手快、关注 AI 的学术编辑实习生 � �
感兴趣的小伙伴欢迎关注 � � 了解详情
� � 点亮星标 � �
科技前沿进展每日见
N配资提示：文章来自网络，不代表本站观点。
沪深京行情 实时轮播
热点资讯
