[Paper] 生成视频中的物体比看起来更慢：模型遭受 Sub‑Earth Gravity 且不懂 Galileo’s Principle……暂时

Source: arXiv - 2512.02016v1

概述

近期在视频生成方面的突破激发了人们将这些模型视为能够理解物理的“世界模拟器”。本文揭示了一个令人惊讶的缺陷：开箱即用的生成器在物体下落时的加速度远低于真实重力的预期。作者设计了一种巧妙的、无尺度的测试，以证明问题并非仅仅是帧率或像素大小导致的，并展示了一个数据高效的微小适配器可以显著缩小差距。

关键贡献

• 发现系统性的重力低估 在流行的视频生成模型中（有效 g ≈ 1.8 m/s² vs. 9.81 m/s²）。
• 无单位双对象协议，将物理推理与模糊的视频度量分离，揭示对伽利略等效原理的违背。
• 低秩适配器微调（仅 100 段单球剪辑），将有效重力提升至约 6.4 m/s²（≈ 真实重力的 65 %）。
• 零样本泛化，适配器在更复杂场景（双球下落、倾斜平面）中无需额外训练即可使用。
• 全面分析 表明简单的时间尺度调整无法修复高方差的重力误差，确认了真实的表征缺陷。

方法论

1. 基线评估 – 作者使用多种最先进的视频生成器生成单球从不同高度下落的视频。通过对垂直轨迹拟合抛物线，计算“有效重力”（gₑff）。

2. 混淆检查 – 为排除尺度或帧率不匹配的可能性，他们进行时间尺度调整（加速/减速）并重新测量 gₑff。方差仍然存在，表明问题更为深层。

3. 无单位双对象测试 – 在同一视频中同时下落 两个 球，分别从不同高度。物理学预测时间比 (t_1^2/t_2^2 = h_1/h_2)，该比例与绝对尺度、焦距或真实 g 无关。通过测量下落时间，直接检验模型是否遵守伽利略的等效原理。

4. 专用适配器 – 一个轻量级低秩适配层（≈ 0.1 % 的原模型参数）在仅 100 段单球下落短片上进行微调。适配器学习纠正内部动力学，而无需重新训练整个生成器。

5. 零样本迁移 – 将适配后的模型在未见过的场景（双球下落、倾斜平面滑动）上进行评估，以检验学习到的校正是否能够超出微调数据进行泛化。

结果与发现

• 无单位双对象测试显示时间比系统性偏离预期比例，证实模型 未 编码伽利略的等效原理。
• 适配器的提升在 极少数据 与 极低计算 下实现，暗示底层模型已具备潜在的正确物理能力，只需通过有针对性的微调即可释放。

实际影响

简言之，本文表明 当前视频生成器尚不足以充当可信的物理引擎，但通过一次数据高效的微调即可大幅提升其物理一致性，为实用的、具备物理感知的生成工具打开了可能性。

局限性与未来工作

• 部分校正 – 即使经过适配，有效重力仍比地球真实重力低约 35 %，完整保真仍未实现。
• 物理定律范围 – 本研究聚焦于重力与简单双体运动，摩擦、碰撞、流体动力等尚未检验。
• 适配器通用性 – 零样本迁移在双球下落与倾斜平面上有效，但更复杂的多物体交互可能需要更多微调数据。
• 模型多样性 – 实验仅在有限几种视频生成器上进行，更多架构的覆盖可能揭示特定偏差。

未来研究可探索 多任务适配器 同时校正多条物理规律，研究 自监督物理正则化 在预训练阶段的作用，并制定 标准化物理基准 用于生成视频模型的评估。

作者

• Varun Varma Thozhiyoor
• Shivam Tripathi
• Venkatesh Babu Radhakrishnan
• Anand Bhattad

论文信息

• arXiv ID: 2512.02016v1
• Categories: cs.CV
• Published: 2025年12月1日
• PDF: 下载 PDF