研究发现视频基础模型普遍编码直觉物理知识

2026年11月2日，arXiv 发布论文《视频基础模型如何编码直觉物理：跨预训练范式的探究》。研究团队 Samuele Punzo 等分析了 V-JEPA、VideoMAE 和 LTX-Video 在 IntPhys2 和 MVP 基准上的表现，揭示视频基础模型对直观物理的表征机制。 实验显示，视频基础模型普遍编码了直觉物理信息，但能力并非单一均匀。在 MVP 基准上，V-JEPA 达到 95.0% 配对一致性；在 IntPhys2 基准上，VideoMAE 以 73.9% 违规准确率表现最佳。 研究指出，物理信息的可访问性高度依赖于基准测试和探测方式，而非模型规模或预训练目标。这一发现为理解不同架构如何内化物理规律提供了新视角。

AI 根据报道生成 · 3 小时前更新