在当前的大模型浪潮中，视频生成模型常常被视为通往具身智能的未来模拟器。然而，主流模型多采用像素空间的直接预测，容易在物理规律的稳定性和连贯性上出现偏差。针对这一行业痛点，研究团队近日正式推出了全新的物理世界模型PhiZero。该模型摒弃了传统的盲目预测套路，创新性地引入了“物理语言”概念，让AI在生成视频前先进行显式的物理推理。
作为核心创新，PhiZero提出了一种被称为“物理语言”的离散表征。该语言通过自监督学习方式，从海量野外视频中提炼出状态转移模式，捕捉不同视觉经验里的动态演化规律。在此基础上，模型构建了“先推理、后渲染”的创新架构:系统首先在物理语言空间内自回归地推断未来世界的演变轨迹，随后交由专用的扩散解码器将其渲染为高清视频。这种设计不仅将底层动力学推演与像素级合成分离开来，还大幅提升了模型在物理一致性上的表现。
在技术实现上，该系统分为分词器与推理器两大核心模块。其中，物理语言分词器利用转移级 Q-Former 捕获相邻状态变化，并结合有限标量量化机制生成紧凑的离散符号;扩散解码器则以首帧和离散符号为条件，恢复出细腻的视觉细节。而物理语言推理器则基于预训练视觉语言模型进行初始化，从首帧和文本动作意图出发，精准预测未来的物理语言序列。
多项基准测试结果表明，PhiZero在 Physics-IQ Verified、PhyGround 以及 WorldModelBench 等多个物理推理和视频生成评估中取得了领先成绩。无论是碰撞引起的物体位移、重力驱动的形变，还是复杂的连锁反应，模型均能展现出高度逼真的物理合理性。
随着具身智能与机器人技术的加速落地，PhiZero的问世为可控、可交互的世界建模开辟了全新路径，有望在长时程模拟与运动迁移等场景中发挥关键作用。
阿里巴巴发布视频生成模型HappyHorse1.1，在动态表现力、主体一致性、指令遵循、视觉质感和音频能力等核心维度实现系统性升级。新版本视频流畅度更高，人物动作更自然连贯，主体表现更稳定，综合性能较1.0版本有显著提升。
字节跳动火山引擎旗下火山方舟体验中心上线Seedance 2.0 Mini视频生成模型，主打高性价比，近期将开放API服务。该轻量化版本在保持高质量输出的同时，生成速度比同系列标准快速版更快，旨在服务更广泛的视频创作与规模化生产市场。
近日，亚马逊剧集《大卫王朝》中73个特效镜头由生成式AI完成，技术来自中国快手公司，为剧组节省大量外景和后期成本。这一案例表明，AI视频生成技术正加速渗透影视制作，引发行业对成本、效率及传统工作模式的关注。
4月3日，千问APP上线万相2.7视频生成模型，新增视频编辑、续写与动作模仿三大功能。用户可通过简单指令实现猫狗或人物替换、画面修改、风格切换等操作，支持动画、3D、黏土等多种创意风格，光影细节自然匹配。
谷歌DeepMind发布高性价比视频生成模型Veo3.1Lite，在保持与Veo3.1Fast同等生成速度的同时，运营成本降低超50%。该模型720p版本起售价为每秒0.05美元，1080p版本为每秒0.08美元，通过模型蒸馏或架构优化实现更高商业能效比。
关注 “悠AI” 更多干货技巧行业动态
相关文章
