这项由弗莱堡大学、马克斯·普朗克信息学磋议是以及CISPA亥姆霍兹信息安全中心聚积完成的磋议，以预印本阵势于2026年5月22日发布，论文编号为arXiv:2605.23699，感意思的读者可通过该编号在arXiv平台查阅完好意思论文。

当AI起首"看图话语"，它真的统一物理天下吗

连年来，AI生成视频的工夫向上速率令东谈主瞠目。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敞开、画面高超的后续视频——球在逶迤，物体在碰撞，一切看起来都那么真实。于是，越来越多的磋议者服气，这些模子正在迟缓成为"天下模子"，也就是大约统一和展望真什物理天下运作轨则的智能系统。

然则，"看起来真实"和"信得过统一物理轨则"之间，可能存在一谈庞大的鸿沟。打个比喻：一个从未学过物理的东谈主，如果看了富裕多的苹果落地视频，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形式"。

这三所顶尖机构的磋议团队恰是想弄明晰：面前开端进的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画图疼爱者"？

为了修起这个问题，他们构建了一套名为CRONOS的测试基准，通过系统性地编削视频中的各式视觉条目，来西宾这些模子的展望是否信得过解析、合理。磋议终局揭示的问题，对于任何对AI往日抱有期待的东谈主来说，都值得安谧对待。

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统一。假定你意志一个东谈主叫小明，你知谈他步辇儿的姿势、话语的方式，知谈当他被一辆自行车撞到时会颠仆。当今，如果小明换了一件衬衫，你还能展望他被撞后会怎样颠仆吗？天然不错，因为颠仆的方式跟衬衫颜料无关。

但如果是AI呢？磋议团队的中枢问题正在于此：就地景的视觉外不雅发生变化——换个拍摄角度、换个布景环境、换个物体颜料，以至换个物体种类——AI对归拢个物理事件的展望质料，会不会随之产生大幅波动？

如果AI信得过统一了物理轨则，那么换个角度看归拢个碰撞事件，它的展望质料应该基本不变。但如果AI只是记着了特定画面作风下的视觉模式，那么一朝视觉条目编削，它的发扬就会大打扣头。这种"在不同视觉条目下保持展望质料解析"的能力，磋议团队将其定名为"反事什物理一致性"。

二、构建测试场：一个由虚假引擎打造的物理实验室

为了进行这种系统性的测试，磋议团队需要一套大约精确戒指整个变量的视频数据集。真实天下的视频拍摄无法作念到这少量——你很难在统统调换的物理事件下，精确地只编削拍摄角度，而保持物体、场景、光照统统一致。

于是，他们选拔了虚假引擎——一款被电影和游戏行业平凡使用的专科级三维渲染用具。在这个数字物理实验室里，他们大约精确戒指每一个参数：物体的质料、摩擦力、弹性系数，以及相机的位置、场景的布景环境、物体的外不雅颜料，整个这些都不错被单独转念，而其余条目保持统统不变。

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，视觉质料至极良好，同期大约为每个物体提供精确的分割遮罩，便捷后续的精细化评测。

在具体的物理事件策画上，磋议团队用心挑选了三种典型场景，折柳代表物理交互的不同基本类型。第一种是"滚落"事件：一个物体在平面上逶迤，然后从角落跌落，这个经过波及斗殴面的变化息争放落体通顺，锻真金不怕火AI对重力和惯性的统一。第二种是"碰撞"事件：一个通顺物体撞上另一个静止物体，这锻真金不怕火AI是否能正确展望动量传递和碰后通顺轨迹，以及是否能保管物体的步地完好意思性。第三种是"装束"事件：一个物体滚过一段路程后，被另一个物体装束，然后再次出现，这锻真金不怕火AI是否能在物体暂时澌灭于视线后，仍然正确推断它的后续通顺。

这三种事件加在一皆，粉饰了物理天下中刚体通顺的中枢交互阵势——既有通顺轨迹展望，又有物体交互，还有万古序的逻辑一致性。

三、四把手术刀：精果真开影响展望的四个视觉维度

有了这个捏造实验室，磋议团队就起首系统性地进行"反事实阻挠"——也就是在保持物理事件统统调换的前提下，一次只编削一个视觉要素，不雅察AI的展望质料怎样变化。他们选拔了四个阻挠维度。

第一个维度是场景阻挠，即编削布景环境。数据聚积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，这意味着场景阻挠不仅是视觉上的变化，随机还会引入真实的物理参数互异。

第二个维度是拍摄视角阻挠，即从不同角度拍摄统统调换的物理事件。这种阻挠最为重要，因为视角的编削不影响任何物理参数——物体的质料、速率、轨迹统统莫得变化，只是录像机换了个位置。一个信得过统一物理的模子，濒临归拢个事件的不同视角，展望质料应该保持解析。

第三个维度是物体外不雅阻挠，即编削物体的颜料或名义纹理，但不编削物体的步地和物理参数。这是最"无害"的阻挠——换个颜料统统不影响物理通顺，是以生机情况下，AI的展望质料应该对外不雅变化统统不解锐。

第四个维度是物体类别阻挠，行将主体物体替换为另一种物体。这是最复杂的阻挠，因为不同的物体不仅外不雅不同，物理属性也会有所互异，比如不同的质料、摩擦系数和弹性，这些都会影响执行的通顺轨迹。是以这个阻挠既测试AI能否妥当视觉变化，也测试它能否相应转念对物理参数的判断。

最终，这套全因子策画产生了675段参考视频（装束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、评测要领：不单是"颜面不颜面"，而是"对不对"

传统的AI视频评测每每只看生成视频的视觉质料——画面是否廓清、物体角落是否粗暴。但CRONOS的磋议团队以为，这远远不够。他们策画了一套多维度、更详细的评测见解体系，每个见解都聚焦于生成视频的一个具体方面。

外不雅解析性揣度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，它的颜料起首漂移、纹理变得奇怪，这就是外不雅不解析的发扬。磋议团队使用了一个叫DINOv2的深度学习视觉特征索取器，通过相比各帧中物体图像的特征相通度来量化这种解析性。重要的工夫细节是，他们会先把布景瞒哄，只分析物体自己，这么就不会受到布景变化的干扰。

布景解析性揣度的是布景区域是否保持静止和一致。在这些物理事件视频中，布景应该统统不动——莫得痛苦其妙出现的新物体，莫得光照漂移，莫得录像机回荡。布景变化的检测方式是平直相比各帧布景区域与第一帧的像素级互异，任何额外的布景变动都会拉低这个分数。

三维步地解析性是一个至新鲜颖的见解。物体的三维步地在整个这个词视频经过中应该保持不变——一个球从新到尾应该是球形，不应该已而形成椭圆或者奇怪的多边形。为了揣度这少量，磋议团队使用了一个叫SAM3D的三维步地重建模子，从每帧视频中推断物体的三维网格，然后用Chamfer距离（一种揣度两个三维步地互异的数学用具）来量化步地变化。

通顺相通性揣度的是AI生成视频中的通顺模式与参考视频中的通顺是否相通。这里有一个精妙的策画：他们使用了一个叫DisMo的通顺编码器，这个编码器成心被西宾成对物体外不雅不解锐，只见原通顺自己的抽象模式。这么一来，即使物体换了颜料，通顺相通性的揣度也不会因此受到干扰，能更地谈地评估AI是否展望出了正确的通顺轨迹。

物理合感性则是更宏不雅的事件级评估。磋议团队用一个叫作念Qwen3-VL-32B的视觉语言大模子来"不雅看"视频，并修起一系列针对特定物理事件策画的判断题。比如对于滚落事件，问题包括"物体是否在到达角过时跌落了""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斗殴""碰撞后的通顺变化是否合适物理轨则"等。每个事件有5谈专属题，另有5谈通用题（如"布景是否保持静止""物体在视频经过中是否保持了步地和颜料"），整个十谈题的答对率决定了最终的物理合感性分数。

临了，顺利率是一个将上述整个见解详尽起来的二元判断——一段视频只须在整个单项见解都卓绝事前标定的阈值时，才算"通过"。这些阈值是通过真东谈主用户磋议来标定的：但凡东谈主类评注者以为该维度发扬不达标（低于5分制的3分）的视频，对应的自动化见解就应该落在阈值以下。这种与真实东谈主类感知对皆的标定方式，使得顺利率具有执行敬爱。

在机灵度分析方面，磋议团队还成心策画了一个揣度"阻挠明锐性"的见解：对于归拢组阻挠实验（比如归拢物理事件在不同视角下的多个版块），计较各个版块的见解分数之间的最大差距。差距越小，证实模子对该阻挠类型越不解锐，即发扬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

磋议团队选拔了面前开源社区中最具代表性的几款视频生成模子来参预这场测试。Cosmos2.5是由英伟达发布的自纪念视频生成模子，汲取了token迟缓展望的方式生成视频，磋议团队折柳测试了它的2B（20亿参数）和14B（140亿参数）两个版块，以磋议模子范畴对性能的影响。MAGI-1由SandAI迷惑，凤凰彩票是另一款自纪念架构的视频模子，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。

测试分为两种条目。图像生成视频（I2V）条目下，整个模子只吸收物理事件的第一帧图像当作输入，需要自主展望后续发展。视频生成视频（V2V）条目下，Cosmos和MAGI-1额外吸收了前5帧视频，这些帧包含了物体的运行通顺标的和速率信息，因此提供了更多对于物理状态的踪影。

为了减少立时性带来的影响，每个实验设立下都生成了三个不同立时种子的视频，取其中通顺相通性最高的阿谁来代表该模子在该设立下的最优发扬——这种"最优三次"的评测方式，让模子有契机展示我方的最好状态。

整个实验中使用的翰墨教唆语都经过用心策画，刻画场景设立、物体属性和预期的通顺方式，但不会提供过于具体的轨迹细节，以便保留合理的不笃定性空间。

六、真东谈主先考证：让东谈主类来校准机器的目光

在安谧分析AI发扬之前，磋议团队作念了一件相配严谨的事：通过真实的东谈主类用户磋议来考证他们策画的自动化评测见解是否真的有敬爱。

他们通过Prolific平台招募了8位及格的东谈主工标注员，每东谈主都经过天禀审核和入职考试，并以每小时14英镑的报酬参与使命。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、物体步地、布景解析性、通顺合感性和事件质料五个维度上进行1到5分的评分。每段视频由3位标注员评分，取中位数当作最终的东谈主类评分。

将东谈主类评分与自动化见解的分数进行对比，磋议团队发现两者之间存在显耀的正关系关系。布景解析性见解与东谈主类评分的关系系数高达1.00，三维步地解析性的关系系数为0.92，物理合感性见解的关系系数为0.86，外不雅解析性的关系系数为0.82。通顺相通性见解的关系系数为0.68，固然相对较低，但p值为0.07，仍在可接受的统计显耀性范围内。这些考证终局扶直了磋议团队在后续分析中使用这套自动化见解的合感性。

七、测试终局：几个让东谈主透露的发现

当整个测试跑完，数字汇总出来之后，磋议团队得到了几个具有至极分量的发现。

第一个发现是：整个参与测试的开源AI视频模子，在生成基础物理事件视频方面的发扬都至极厄运。即使是发扬最好的模子，总体顺利率也只须22%——也就是说，10段视频里有快要8段是"分歧格"的。其他大多数模子的顺利率以至不到15%。从各项见解来看，整个模子都在至少一个维度上存在较着的短板，莫得任何一个模子能在整个方面同期达标。

具体来看各模子的发扬，Cosmos2.5（2B参数，V2V模式）和Wan2.2（14B参数，I2V模式）是详尽发扬最好的，顺利率折柳为22%和20%。MAGI-1和CogVideoX1.5的全体发扬则较着较差，顺利率仅在1%到2%之间。各模子在各项具体见解上的互异也很显耀——以布景解析性为例，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，险些是前者的四分之一。

第二个发现更值得深想：整个模子对视觉阻挠都极为明锐，尤其是视角变化带来的阻挠。从机灵度分析的终局来看，只是编削录像机角度这一不影响任何物理参数的要素，就能让大多数模子的展望质料产生0.3到0.4驾驭的波动（在0到1的归一化法度上），这是至极大的变动幅度。换句话说，对于归拢个碰撞事件，从正面拍和从侧面拍，AI给出的展望质料可能互异悬殊。

在四种阻挠类型中，视角变化引起的机灵度广宽最高，其次是物体类别变化，然后是场景变化，而外不雅变化（仅编削颜料）引起的机灵度相对最低——但即便如斯，即使只是换个颜料，最稳健的模子也会出现约20%的性能波动，这对于一个应该"不在乎颜料"的物理展望任务来说，也曾是令东谈主困扰的数字。

这种对视角高度明锐的振作，揭示了一个深层问题：这些模子的展望机制是热烈依赖视角的，它们学到的不是"在三维空间中统一物理轨则"，而是"在某种特定视觉构图下，这类画面应该怎样延续"。一朝视觉构图编削，它们就像换了一个它们从未见过的视角在臆测，性能随之下滑。

第三个发现与视频条目关联：使用多帧视频当作输入（V2V模式）比只用单张图像（I2V模式）后果较着更好，况且改善不仅体当今通顺展望上，还体当今布景解析性和物体外不雅解析性上。磋议团队推测，多帧条目下模子大约从说合帧中栽种起更解析的物体暗意，对录像机通顺的统一也更廓清，从而生成布景更解析的视频。

第四个发现让东谈主颇感不测：将Cosmos2.5从2B参数膨胀到14B参数，在险些整个见解上的发扬反而有所着落。V2V模式下，2B版块的顺利率为22%，而14B版块只须14%；I2V模式下，2B版块顺利率12%，14B版块只须8%。这一终局与此前部分磋议者淡薄的不雅点相吻合——更大的模子在西宾数据漫衍内可能发扬更好，但在需要信得过泛化物理轨则的场景下，更多的参数并不消然带来更好的泛化能力。天然，磋议团队也指出，这个发现仅基于一个模子眷属的一次范畴对比，需要更多根据才能得出更广宽的论断，但CRONOS基准自己为往日的长远磋议提供了用具。

第五个发现来自各事件类型的细分终局。碰撞事件在物理合感性见解上的发扬广宽高于滚落事件——这可能是因为碰撞事件的判断题（"两个物体是否斗殴了"）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。装束事件在物理合感性上发扬最好，因为"物体澌灭后是否从新出现"这种判断相对容易，但在步地解析性上的挑战更大，因为万古序的物体追踪会积贮更多过错。

八、局限与往日：这套测试自己有哪些领域

磋议团队对自身使命的局限进行了至极坦诚的商讨。

最较着的局限是合成数据与真实天下之间的领域差距。CRONOS使用的是虚假引擎渲染的合成视频，固然画质至极良好，但与真实拍摄的视频在纹理细节、光照变化、噪声特色等方面仍然存在互异。因此，CRONOS上的测试终局更应该被统一为一种会诊性根据，而非对模子在真实视频场景中发扬的平直估算。

另一个局限是参考视频的单一性。大多数见解将AI生成视频与唯独一段参考渲染进行相比。但执行上，对于归拢个物理运行条目，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，仍然合适动量守恒定律。磋议团队通过多种子采样和成心策画的不依赖参考视频的解析性见解来部分缓解这个问题，但在往日版块中，评估应该大约与多个物理上合理的参考轨迹进行相比。

此外，测试粉饰的模子仅限于开源模子，像Veo、Sora、Kling这么的贸易闭源模子并未纳入评测。这不是磋议团队的减轻，而是客不雅为止——固定权重和可复现诞生是进行严格对比分析的前提条目。辩论到即即是最强的开源模子顺利率也只须22%，这套基准距离"被饱和"还有至极长的路要走，往日的磋议者统统不错在此基础上连接鼓吹。

说到底，CRONOS这项磋议给咱们提供的，是一面照出AI视频生成领域真实情状的镜子。面前这些模子生成的视频，看起来越来越像真的，但在统一物理天下这件事上，它们很可能还停留在"记着了常见画面长什么样"的阶段，而非信得过掌抓了"非论在哪个角度、什么颜料的物体，在重力下都会按照这套轨则通顺"这种骨子性的物理通晓。

这对平方东谈主意味着什么呢？至少在可想到的将来，把AI视频生成器当成可靠的物理仿真用具来使用，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西宾数据中多半出现过，而不是因为AI真的计较了动量守恒。

天然，这个领域的向上速率也遏止小觑。也许在不久的将来，会有模子在CRONOS上获取信得过令东谈主信服的收获，当时间咱们才能更有把抓地说，AI起首信得过"统一"物理天下了。在此之前，CRONOS提供了一把量尺，让磋议者不错廓清地追踪这条路走了多远。感意思的读者不错通过论文编号arXiv:2605.23699查阅完好意思的磋议申报，数据集和评测代码也已公迷惑布在论文主页上。

Q&A

Q1：CRONOS基准测试和平方的视频生成质料评测有什么区别？

A：平方的视频质料评测主要看画面是否廓清颜面，而CRONOS成心测试归拢个物理事件在视角、场景、物体外不雅等视觉条目发生变化时，AI的展望质料是否保持解析。换句话说，CRONOS不是在问"视频好不颜面"，而是在问"AI是否信得过统一物理轨则，而不单是记着了特定画面的视觉作风"。

Q2：为什么换个录像机角度会让AI视频生成模子发扬变差？

A：因为咫尺这些模子主若是从多半视频数据中学习"什么样的画面接着什么样的画面"，而不是信得过在三维空间中统一物体通顺轨则。归拢个碰撞事件从正面拍和从侧面拍，在画面构图上互异很大，模子可能对某个角度见得多、对另一个角度见得少，导致展望质料出现较着互异。

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阻挠下的物理一致性凤凰彩票官网首页 - Welcome，而不是西宾数据漫衍内的生成质料。更大的模子可能更擅长师法西宾数据中常见的视觉模式，但这不等于更好地泛化物理轨则。当测试条目包含系统性的视觉变化时，靠记念视觉模式的战术反而可能带来更大的波动，导致范畴扩大后性能不升反降。