这项由弗莱堡大学、马克斯·普朗克信息学研究是以及CISPA亥姆霍兹信息安全中心合资完成的研究，以预印本阵势于2026年5月22日发布，论文编号为arXiv:2605.23699，感趣味的读者可通过该编号在arXiv平台查阅完好论文。

当AI入手"看图话语"，它确实理会物理天下吗

比年来，AI生成视频的工夫高出速率令东说念主瞠目。只需要给模子一张图片，或者几秒钟的视频片断，它就能自动生成一段看似畅通、画面精湛的后续视频——球在疗养，物体在碰撞，一切看起来都那么真实。于是，越来越多的研究者信托，这些模子正在迟缓成为"天下模子"，也就是冒失理会和展望真什物理天下运作法则的智能系统。

然则，"看起来真实"和"真实理会物理法则"之间，可能存在一说念强大的鸿沟。打个譬如：一个从未学过物理的东说念主，如果看了充足多的苹果落地视频，他也许能画出一幅看起来很像苹果落地的图——但如果你换一个角度拍摄，或者把苹果换成一个橙子，他可能就画歪了。他学到的不是"重力定律"，而是"我见过的那种苹果落地画面的式样"。

这三所顶尖机构的研究团队恰是想弄了了：现时早先进的AI视频生成模子，究竟更像阿谁"学会了重力定律的物理学生"，如故阿谁"只是记着了苹果落地画面的绘图怜爱者"？

为了回应这个问题，他们构建了一套名为CRONOS的测试基准，通过系统性地变嫌视频中的多样视觉条款，来历练这些模子的展望是否真实稳当、合理。研究收尾揭示的问题，对于任何对AI将来抱有期待的东说念主来说，都值得庄重对待。

一、测试的中枢想路：换一件一稔，AI就认不出你了吗

CRONOS测试的中枢逻辑，不错用一个日常场景来理会。假定你意志一个东说念主叫小明，你知说念他步辇儿的姿势、话语的形状，知说念当他被一辆自行车撞到时会颠仆。面前，如果小明换了一件衬衫，你还能展望他被撞后会若何颠仆吗？天然不错，因为颠仆的形状跟衬衫神色无关。

但如果是AI呢？研究团队的中枢问题正在于此：飞快景的视觉外不雅发生变化——换个拍摄角度、换个配景环境、换个物体神色，以致换个物体种类——AI对合并个物理事件的展望质地，会不会随之产生大幅波动？

如果AI真实理会了物理法则，那么换个角度看合并个碰撞事件，它的展望质地应该基本不变。但如果AI只是记着了特定画面格调下的视觉模式，那么一朝视觉条款变嫌，它的进展就会大打扣头。这种"在不同视觉条款下保持展望质地稳当"的才调，研究团队将其定名为"反事什物理一致性"。

二、构建测试场：一个由演叨引擎打造的物理实验室

为了进行这种系统性的测试，研究团队需要一套冒失精确限度统统变量的视频数据集。真实天下的视频拍摄无法作念到这少许——你很难在统统沟通的物理事件下，精确地只变嫌拍摄角度，而保持物体、场景、光照统长入致。

于是，他们采纳了演叨引擎——一款被电影和游戏行业泛泛使用的专科级三维渲染器具。在这个数字物理实验室里，他们冒失精确限度每一个参数：物体的质地、摩擦力、弹性系数，以及相机的位置、场景的配景环境、物体的外不雅神色，统统这些都不错被单独调整，而其余条款保持统统不变。

这套捏造实验室渲染出的视频分辨率达到1920×1080像素，帧率为每秒30帧，视觉质地止境精湛，同期冒失为每个物体提供精确的分割遮罩，肤浅后续的精细化评测。

在具体的物理事件遐想上，研究团队用心挑选了三种典型场景，辞别代表物理交互的不同基本类型。第一种是"滚落"事件：一个物体在平面上疗养，然后从角落跌落，这个进程波及讲和面的变化妥协放落体畅通，熟习AI对重力和惯性的理会。第二种是"碰撞"事件：一个畅通物体撞上另一个静止物体，这熟习AI是否能正确展望动量传递和碰后畅通轨迹，以及是否能督察物体的体式完好性。第三种是"梗阻"事件：一个物体滚过一段路程后，被另一个物体梗阻，然后再次出现，这熟习AI是否能在物体暂时散失于视线后，仍然正确推断它的后续畅通。

这三种事件加在一都，粉饰了物理天下中刚体畅通的中枢交互阵势——既有畅通轨迹展望，又有物体交互，还有万古序的逻辑一致性。

三、四把手术刀：精简直开影响展望的四个视觉维度

有了这个捏造实验室，研究团队就入手系统性地进行"反事实干豫"——也就是在保持物理事件统统沟通的前提下，一次只变嫌一个视觉身分，不雅察AI的展望质地如何变化。他们采纳了四个干豫维度。

第一个维度是场景干豫，即变嫌配景环境。数据辘集包含了五种不同的场景，有室内也有室外，有不同的大地材质和空间布局。对于滚落事件，场景的变化还会影响物体跌落的高度，这意味着场景干豫不仅是视觉上的变化，未必还会引入真实的物理参数各别。

第二个维度是拍摄视角干豫，即从不同角度拍摄统统沟通的物理事件。这种干豫最为要津，因为视角的变嫌不影响任何物理参数——物体的质地、速率、轨迹统统莫得变化，只是录像机换了个位置。一个真实理会物理的模子，濒临合并个事件的不同视角，展望质地应该保持稳当。

第三个维度是物体外不雅干豫，即变嫌物体的神色或名义纹理，但不变嫌物体的体式和物理参数。这是最"无害"的干豫——换个神色统统不影响物理畅通，是以逸想情况下，AI的展望质地应该对外不雅变化统统不敏锐。

第四个维度是物体类别干豫，行将主体物体替换为另一种物体。这是最复杂的干豫，因为不同的物体不仅外不雅不同，物理属性也会有所各别，比如不同的质地、摩擦系数和弹性，这些都会影响推行的畅通轨迹。是以这个干豫既测试AI能否妥当视觉变化，也测试它能否相应调整对物理参数的判断。

最终，这套全因子遐想产生了675段参考视频（梗阻事件因为需要保持特定的能见度结构而不进行视角变化），粉饰3种物理事件、5个场景、5种物体类别、最多4个拍摄视角、3种外不雅变化的组合。

四、评测模范：不单是"雅瞻念不雅瞻念"，而是"对不对"

传统的AI视频评测频繁只看生成视频的视觉质地——画面是否泄漏、物体角落是否机敏。但CRONOS的研究团队觉得，这远远不够。他们遐想了一套多维度、更细巧的评测贪图体系，每个贪图都聚焦于生成视频的一个具体方面。

外不雅稳当性权衡的是视频中物体的视觉身份是否保持一致。假如你在第一帧看到一个红色的小球，但跟着视频进行，它的神色入手漂移、纹理变得奇怪，这就是外不雅不稳当的进展。研究团队使用了一个叫DINOv2的深度学习视觉特征索求器，通过比拟各帧中物体图像的特征相通度来量化这种稳当性。要津的工夫细节是，他们会先把配景避讳，只分析物体自己，这么就不会受到配景变化的干扰。

配景稳当性权衡的是配景区域是否保持静止和一致。在这些物理事件视频中，配景应该统统不动——莫得狼狈其妙出现的新物体，莫得光照漂移，莫得录像机浪荡。配景变化的检测形状是平直比拟各帧配景区域与第一帧的像素级各别，任何格外的配景变动都会拉低这个分数。

三维体式稳当性是一个止境新颖的贪图。物体的三维体式在统统这个词视频进程中应该保持不变——一个球重新到尾应该是球形，不应该瞬息造成椭圆或者奇怪的多边形。为了权衡这少许，研究团队使用了一个叫SAM3D的三维体式重建模子，从每帧视频中推断物体的三维网格，然后用Chamfer距离（一种权衡两个三维体式各别的数学器具）来量化体式变化。

畅通相通性权衡的是AI生成视频中的畅通模式与参考视频中的畅通是否相通。这里有一个精妙的遐想：他们使用了一个叫DisMo的畅通编码器，这个编码器挑升被老师成对物体外不雅不敏锐，只柔软畅通自己的抽象模式。这么一来，即使物体换了神色，畅通相通性的权衡也不会因此受到干扰，能更地说念地评估AI是否展望出了正确的畅通轨迹。

物理合感性则是更宏不雅的事件级评估。研究团队用一个叫作念Qwen3-VL-32B的视觉语言大模子来"不雅看"视频，并回应一系列针对特定物理事件遐想的判断题。比如对于滚落事件，问题包括"物体是否在到达角逾期跌落了""物体跌落时是否在加快"等；对于碰撞事件，则会问"两个物体是否发生了讲和""碰撞后的畅通变化是否允洽物理法则"等。每个事件有5说念专属题，另有5说念通用题（如"配景是否保持静止""物体在视频进程中是否保持了体式和神色"），统共十说念题的答对率决定了最终的物理合感性分数。

终末，到手率是一个将上述所操办抽象起来的二元判断——一段视频惟有在统统单项贪图都杰出事先标定的阈值时，才算"通过"。这些阈值是通过真东说念主用户研究来标定的：但凡东说念主类评注者觉得该维度进展不达标（低于5分制的3分）的视频，对应的自动化贪图就应该落在阈值以下。这种与真实东说念主类感知对都的标定形状，使得到手率具有推行意想。

在贤慧度分析方面，研究团队还挑升遐想了一个权衡"干豫敏锐性"的贪图：对于合并组干豫实验（比如合并物理事件在不同视角下的多个版块），算计各个版块的贪图分数之间的最大差距。差距越小，证据模子对该干豫类型越不敏锐，即进展出越好的反事什物理一致性。

五、参与测试的AI选手：四个来自不同门派的视频生成妙手

研究团队采纳了现时开源社区中最具代表性的几款视频生成模子来投入这场测试。Cosmos2.5是由英伟达发布的自归来视频生成模子，采选了token迟缓展望的形状生成视频，研究团队辞别测试了它的2B（20亿参数）和14B（140亿参数）两个版块，以研究模子限度对性能的影响。MAGI-1由SandAI开辟，开云体育是另一款自归来架构的视频模子，参数目为4.5B。CogVideoX1.5来自智谱AI，是基于扩散Transformer架构的图生视频模子，参数目为5B。Wan2.2则是由阿里通义团队发布的大型视频生成模子，参数目达14B。

测试分为两种条款。图像生成视频（I2V）条款下，统统模子只招揽物理事件的第一帧图像算作输入，需要自主展望后续发展。视频生成视频（V2V）条款下，Cosmos和MAGI-1出奇招揽了前5帧视频，这些帧包含了物体的运转畅通标的和速率信息，因此提供了更多对于物理状态的陈迹。

为了减少飞快性带来的影响，每个实验建树下都生成了三个不同飞快种子的视频，取其中畅通相通性最高的阿谁来代表该模子在该建树下的最优进展——这种"最优三次"的评测形状，让模子有契机展示我方的最好状态。

统统实验中使用的翰墨辅导语都经过用心遐想，描摹场景建树、物体属性和预期的畅通形状，但不会提供过于具体的轨迹细节，以便保留合理的不笃信性空间。

六、真东说念主先考据：让东说念主类来校准机器的眼神

在庄重分析AI进展之前，研究团队作念了一件相配严谨的事：通过真实的东说念主类用户研究来考据他们遐想的自动化评测贪图是否确实成心想。

他们通过Prolific平台招募了8位及格的东说念主工标注员，每东说念主都经过天禀审核和入职考试，并以每小时14英镑的报恩参与职责。标注员们不雅看了从各个模子中用心挑选出来的540段视频，对每段视频在物体外不雅、物体体式、配景稳当性、畅通合感性和事件质地五个维度上进行1到5分的评分。每段视频由3位标注员评分，取中位数算作最终的东说念主类评分。

将东说念主类评分与自动化贪图的分数进行对比，研究团队发现两者之间存在权臣的正关系关系。配景稳当性贪图与东说念主类评分的关系系数高达1.00，三维体式稳当性的关系系数为0.92，物理合感性贪图的关系系数为0.86，外不雅稳当性的关系系数为0.82。畅通相通性贪图的关系系数为0.68，固然相对较低，但p值为0.07，仍在可接纳的统计权臣性范围内。这些考据收尾撑持了研究团队在后续分析中使用这套自动化贪图的合感性。

七、测试收尾：几个让东说念主知晓的发现

当统统测试跑完，数字汇总出来之后，研究团队得到了几个具有止境分量的发现。

第一个发现是：统统参与测试的开源AI视频模子，在生成基础物理事件视频方面的进展都止境倒霉。即使是进展最好的模子，总体到手率也惟有22%——也就是说，10段视频里有快要8段是"不对格"的。其他大多数模子的到手率以致不到15%。从各项贪图来看，统统模子都在至少一个维度上存在彰着的短板，莫得任何一个模子能在统统方面同期达标。

具体来看各模子的进展，Cosmos2.5（2B参数，V2V模式）和Wan2.2（14B参数，I2V模式）是抽象进展最好的，到手率辞别为22%和20%。MAGI-1和CogVideoX1.5的合座进展则彰着较差，到手率仅在1%到2%之间。各模子在各项具体贪图上的各别也很权臣——以配景稳当性为例，Cosmos2.5-2B（V2V模式）的得分高达0.77，而MAGI-1-4.5B的得分仅为0.21，简直是前者的四分之一。

第二个发现更值得深想：统统模子对视觉干豫都极为敏锐，尤其是视角变化带来的干豫。从贤慧度分析的收尾来看，只是变嫌录像机角度这一不影响任何物理参数的身分，就能让大多数模子的展望质地产生0.3到0.4把握的波动（在0到1的归一化圭臬上），这是止境大的变动幅度。换句话说，对于合并个碰撞事件，从正面拍和从侧面拍，AI给出的展望质地可能各别悬殊。

在四种干豫类型中，视角变化引起的贤慧度广阔最高，其次是物体类别变化，然后是场景变化，而外不雅变化（仅变嫌神色）引起的贤慧度相对最低——但即便如斯，即使只是换个神色，最稳健的模子也会出现约20%的性能波动，这对于一个应该"不在乎神色"的物理展望任务来说，已经是令东说念主困扰的数字。

这种对视角高度敏锐的温存，揭示了一个深层问题：这些模子的展望机制是浓烈依赖视角的，它们学到的不是"在三维空间中理会物理法则"，而是"在某种特定视觉构图下，这类画面应该若何延续"。一朝视觉构图变嫌，它们就像换了一个它们从未见过的视角在揣摸，性能随之下滑。

第三个发现与视频条款相关：使用多帧视频算作输入（V2V模式）比只用单张图像（I2V模式）后果彰着更好，并且改善不仅体面前畅通展望上，还体面前配景稳当性和物体外不雅稳当性上。研究团队推测，多帧条款下模子冒失从谋略帧中建设起更稳当的物体默示，对录像机畅通的理会也更泄漏，从而生成配景更稳当的视频。

第四个发现让东说念主颇感不测：将Cosmos2.5从2B参数推广到14B参数，在简直所操办上的进展反而有所下落。V2V模式下，2B版块的到手率为22%，而14B版块惟有14%；I2V模式下，2B版块到手率12%，14B版块惟有8%。这一收尾与此前部分研究者提议的不雅点相吻合——更大的模子在老师数据散播内可能进展更好，但在需要真实泛化物理法则的场景下，更多的参数并无谓然带来更好的泛化才调。天然，研究团队也指出，这个发现仅基于一个模子眷属的一次限度对比，需要更多凭据才能得出更广阔的论断，但CRONOS基准自己为将来的潜入研究提供了器具。

第五个发现来自各事件类型的细分收尾。碰撞事件在物理合感性贪图上的进展广阔高于滚落事件——这可能是因为碰撞事件的判断题（"两个物体是否讲和了"）相对直不雅，而滚落事件中的物理细节（如加快轨迹、落点位置）更难被AI模子正确再现。梗阻事件在物理合感性上进展最好，因为"物体散失后是否从新出现"这种判断相对容易，但在体式稳当性上的挑战更大，因为万古序的物体追踪会蓄积更多弱点。

八、局限与将来：这套测试自己有哪些领域

研究团队对自身职责的局限进行了止境坦诚的商量。

最彰着的局限是合成数据与真实天下之间的领域差距。CRONOS使用的是演叨引擎渲染的合成视频，固然画质止境精湛，但与真实拍摄的视频在纹理细节、光照变化、噪声特质等方面仍然存在各别。因此，CRONOS上的测试收尾更应该被理会为一种会诊性凭据，而非对模子在真实视频场景中进展的平直估算。

另一个局限是参考视频的单一性。大多数贪图将AI生成视频与独逐个段参考渲染进行比拟。但推行上，对于合并个物理运转条款，存在多种在物理上都合理的后续发展——举例碰撞后物体可能以不同角度弹开，仍然允洽动量守恒定律。研究团队通过多种子采样和挑升遐想的不依赖参考视频的稳当性贪图来部分缓解这个问题，但在将来版块中，评估应该冒失与多个物理上合理的参考轨迹进行比拟。

此外，测试粉饰的模子仅限于开源模子，像Veo、Sora、Kling这么的交易闭源模子并未纳入评测。这不是研究团队的纯粹，而是客不雅示寂——固定权重和可复现缔造是进行严格对比分析的前提条款。有计划到即即是最强的开源模子到手率也惟有22%，这套基准距离"被饱和"还有止境长的路要走，将来的研究者统统不错在此基础上不绝激动。

说到底，CRONOS这项研究给咱们提供的，是一面照出AI视频生成领域真实情状的镜子。现时这些模子生成的视频，看起来越来越像确实，但在理会物理天下这件事上，它们很可能还停留在"记着了常见画面长什么样"的阶段，而非真实掌执了"无论在哪个角度、什么神色的物体，在重力下都会按照这套法则畅通"这种推行性的物理知道。

这对泛泛东说念想法味着什么呢？至少在可料想的将来，把AI视频生成器当成可靠的物理仿真器具来使用，是需要格外严慎的。一段AI生成的"滚球撞杯子"视频，如果看起来很合理，可能只是因为这类画面在老师数据中大量出现过，而不是因为AI确实算计了动量守恒。

天然，这个领域的高出速率也辞谢小觑。也许在不久的将来，会有模子在CRONOS上获得真实令东说念主信服的得益，其时期咱们才能更有把执地说，AI入手真实"理会"物理天下了。在此之前，CRONOS提供了一把量尺，让研究者不错泄漏地追踪这条路走了多远。感趣味的读者不错通过论文编号arXiv:2605.23699查阅完好的研究证明，数据集和评测代码也已公开辟布在论文主页上。

Q&A

Q1：CRONOS基准测试和泛泛的视频生成质地评测有什么区别？

A：泛泛的视频质地评测主要看画面是否泄漏雅瞻念，而CRONOS挑升测试合并个物理事件在视角、场景、物体外不雅等视觉条款发生变化时，AI的展望质地是否保持稳当。换句话说，CRONOS不是在问"视频好不雅瞻念"，而是在问"AI是否真实理会物理法则，而不单是记着了特定画面的视觉格调"。

Q2：为什么换个录像机角度会让AI视频生成模子进展变差？

A：因为面前这些模子主如果从大量视频数据中学习"什么样的画面接着什么样的画面"，而不是真实在三维空间中理会物体畅通法则。合并个碰撞事件从正面拍和从侧面拍，在画面构图上各别很大，模子可能对某个角度见得多、对另一个角度见得少，导致展望质地出现彰着各别。

Q3：Cosmos2.5把参数从2B扩大到14B，为什么后果反而变差了？

A：CRONOS测试的是模子在受控干豫下的物理一致性，而不是老师数据散播内的生成质地。更大的模子可能更擅长师法老师数据中常见的视觉模式，但这不等于更好地泛化物理法则。当测试条款包含系统性的视觉变化时开云体育(kaiyun)官方网站，靠顾虑视觉模式的计谋反而可能带来更大的波动，导致限度扩大后性能不升反降。