这项由弗莱堡大学、马克斯·普朗克信息学掂量是以及CISPA亥姆霍兹信息安全中心鸠集完成的掂量，以预印本形势于2026年5月22日发布，论文编号为arXiv:2605.23699，感风趣风趣的读者可通过该编号在arXiv平台查阅齐备论文。

当AI出手"看图讲话"，它真实相识物理寰球吗

频年来，AI生成视频的技艺逾越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、画面粗略的后续视频——球在篡改，物体在碰撞，一切看起来都那么真实。于是，越来越多的掂量者服气，这些模子正在渐渐成为"寰球模子"，也就是梗概相识和预计真什物理寰球运作律例的智能系统。

可是，"看起来真实"和"着实相识物理律例"之间，可能存在一说念庞大的鸿沟。打个比喻：一个从未学过物理的东说念主，如果看了敷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现象"。

这三所顶尖机构的掂量团队恰是想弄明晰：现时首先进的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"只是记取了苹果落地画面的画图青睐者"？

为了恢复这个问题，他们构建了一套名为CRONOS的测试基准，通过系统性地改变视频中的各式视觉条目，来磨练这些模子的预计是否着实雄厚、合理。掂量收尾揭示的问题，对于任何对AI异日抱有期待的东说念主来说，都值得谨慎对待。

一、测试的中枢念念路：换一件穿戴，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相识。假定你意志一个东说念主叫小明，你知说念他走路的姿势、讲话的方式，知说念当他被一辆自行车撞到时会跌倒。面前，如果小明换了一件衬衫，你还能预计他被撞后会怎么跌倒吗？天然不错，因为跌倒的方式跟衬衫神色无关。

但如果是AI呢？掂量团队的中枢问题正在于此：连忙景的视觉外不雅发生变化——换个拍摄角度、换个布景环境、换个物体神色，以致换个物体种类——AI对团结个物理事件的预计质地，会不会随之产生大幅波动？

如果AI着实相识了物理律例，那么换个角度看团结个碰撞事件，它的预计质地应该基本不变。但如果AI只是记取了特定画面作风下的视觉模式，那么一朝视觉条目改变，它的涌现就会大打扣头。这种"在不同视觉条目下保持预计质地雄厚"的才略，掂量团队将其定名为"反事什物理一致性"。

二、构建测试场：一个由作假引擎打造的物理实验室

为了进行这种系统性的测试，掂量团队需要一套梗概精确限定扫数变量的视频数据集。真实寰球的视频拍摄无法作念到这极少——你很难在皆备调换的物理事件下，精确地只改变拍摄角度，而保持物体、场景、光照皆备一致。

于是，他们聘请了作假引擎——一款被电影和游戏行业平凡使用的专科级三维渲染器具。在这个数字物理实验室里，他们梗概精确限定每一个参数：物体的质地、摩擦力、弹性系数，以及相机的位置、场景的布景环境、物体的外不雅神色，扫数这些都不错被单独调养，而其余条目保持皆备不变。

这套臆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，视觉质地止境粗略，同期梗概为每个物体提供精确的分割遮罩，轻视后续的精细化评测。

在具体的物理事件缱绻上，掂量团队经心挑选了三种典型场景，分辩代表物理交互的不同基本类型。第一种是"滚落"事件：一个物体在平面上篡改，然后从角落跌落，这个历程触及战争面的变化息争放落体领略，造就AI对重力和惯性的相识。第二种是"碰撞"事件：一个领略物体撞上另一个静止物体，这造就AI是否能正确预计动量传递和碰后领略轨迹，以及是否能看护物体的形势齐备性。第三种是"掩饰"事件：一个物体滚过一段路程后，被另一个物体掩饰，然后再次出现，这造就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领略。

这三种事件加在沿途，障翳了物理寰球中刚体领略的中枢交互形势——既有领略轨迹预计，又有物体交互，还有万古序的逻辑一致性。

三、四把手术刀：精着实开影响预计的四个视觉维度

有了这个臆造实验室，掂量团队就出手系统性地进行"反事实干涉"——也就是在保持物理事件皆备调换的前提下，一次只改变一个视觉身分，不雅察AI的预计质地怎么变化。他们聘请了四个干涉维度。

第一个维度是场景干涉，即改变布景环境。数据皆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，这意味着场景干涉不仅是视觉上的变化，无意还会引入真实的物理参数各别。

第二个维度是拍摄视角干涉，即从不同角度拍摄皆备调换的物理事件。这种干涉最为要害，因为视角的改变不影响任何物理参数——物体的质地、速率、轨迹皆备莫得变化，只是录像机换了个位置。一个着实相识物理的模子，面临团结个事件的不同视角，预计质地应该保持雄厚。

第三个维度是物体外不雅干涉，即改变物体的神色或名义纹理，但不改变物体的形势和物理参数。这是最"无害"的干涉——换个神色皆备不影响物理领略，是以盼愿情况下，AI的预计质地应该对外不雅变化皆备不解锐。

第四个维度是物体类别干涉，行将主体物体替换为另一种物体。这是最复杂的干涉，因为不同的物体不仅外不雅不同，物理属性也会有所各别，2026世界杯博亚体育(中国)官方平台比如不同的质地、摩擦系数和弹性，这些都会影响执行的领略轨迹。是以这个干涉既测试AI能否适当视觉变化，也测试它能否相应调养对物理参数的判断。

最终，这套全因子缱绻产生了675段参考视频（掩饰事件因为需要保持特定的能见度结构而不进行视角变化），障翳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、评测方法：不单是"顺眼不顺眼"，而是"对不对"

传统的AI视频评测往往只看生成视频的视觉质地——画面是否清澈、物体角落是否明锐。但CRONOS的掂量团队合计，这远远不够。他们缱绻了一套多维度、更精致的评测主义体系，每个主义都聚焦于生成视频的一个具体方面。

外不雅雄厚性量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，它的神色出手漂移、纹理变得奇怪，这就是外不雅不雄厚的涌现。掂量团队使用了一个叫DINOv2的深度学习视觉特征索要器，通过比拟各帧中物体图像的特征同样度来量化这种雄厚性。要害的技艺细节是，他们会先把布景遁藏，只分析物体本人，这么就不会受到布景变化的干扰。

布景雄厚性量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，布景应该皆备不动——莫得窘态其妙出现的新物体，莫得光照漂移，莫得录像机浪荡。布景变化的检测方式是径直比拟各帧布景区域与第一帧的像素级各别，任何异常的布景变动都会拉低这个分数。

三维形势雄厚性是一个止境新颖的主义。物体的三维形势在通盘视频历程中应该保持不变——一个球重新到尾应该是球形，不应该短暂造成椭圆或者奇怪的多边形。为了量度这极少，掂量团队使用了一个叫SAM3D的三维形势重建模子，从每帧视频中推断物体的三维网格，然后用Chamfer距离（一种量度两个三维形势各别的数学器具）来量化形势变化。

领略同样性量度的是AI生成视频中的领略模式与参考视频中的领略是否同样。这里有一个精妙的缱绻：他们使用了一个叫DisMo的领略编码器，这个编码器挑升被教训成对物体外不雅不解锐，只关爱领略本人的抽象模式。这么一来，即使物体换了神色，领略同样性的量度也不会因此受到干扰，能更隧说念地评估AI是否预计出了正确的领略轨迹。

物理合感性则是更宏不雅的事件级评估。掂量团队用一个叫作念Qwen3-VL-32B的视觉语言大模子来"不雅看"视频，并恢复一系列针对特定物理事件缱绻的判断题。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战争""碰撞后的领略变化是否恰当物理律例"等。每个事件有5说念专属题，另有5说念通用题（如"布景是否保持静止""物体在视频历程中是否保持了形势和神色"），统统十说念题的答对率决定了最终的物理合感性分数。

终末，顺利率是一个将上述扫数主义玄虚起来的二元判断——一段视频只好在扫数单状貌的都高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掂量来标定的：但凡东说念主类评注者合计该维度涌现不达标（低于5分制的3分）的视频，对应的自动化主义就应该落在阈值以下。这种与真实东说念主类感知对皆的标定方式，使获顺利率具有执行风趣。

在聪惠度分析方面，掂量团队还挑升缱绻了一个量度"干涉明锐性"的主义：对于团结组干涉实验（比如团结物理事件在不同视角下的多个版块），磋议各个版块的主义分数之间的最大差距。差距越小，讲解模子对该干涉类型越不解锐，即涌现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

掂量团队聘请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回来视频生成模子，遴选了token渐渐预计的方式生成视频，掂量团队分辩测试了它的2B（20亿参数）和14B（140亿参数）两个版块，以掂量模子领域对性能的影响。MAGI-1由SandAI拓荒，2026美加墨世界杯中国认证平台是另一款自回来架构的视频模子，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。

测试分为两种条目。图像生成视频（I2V）条目下，扫数模子只吸收物理事件的第一帧图像行为输入，需要自主预计后续发展。视频生成视频（V2V）条目下，Cosmos和MAGI-1特等吸收了前5帧视频，这些帧包含了物体的开动领略标的和速率信息，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，每个实验配置下都生成了三个不同立时种子的视频，取其中领略同样性最高的阿谁来代表该模子在该配置下的最优涌现——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。

扫数实验中使用的翰墨指示语都经过经心缱绻，描述场景配置、物体属性和预期的领略方式，但不会提供过于具体的轨迹细节，以便保留合理的不祥情味空间。

六、真东说念主先考据：让东说念主类来校准机器的目光

在慎重分析AI涌现之前，掂量团队作念了一件相等严谨的事：通过真实的东说念主类用户掂量来考据他们缱绻的自动化评测主义是否真实有风趣。

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资审核和入职考试，并以每小时14英镑的答谢参与职责。标注员们不雅看了从各个模子中经心挑选出来的540段视频，对每段视频在物体外不雅、物体形势、布景雄厚性、领略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，取中位数行为最终的东说念主类评分。

将东说念主类评分与自动化主义的分数进行对比，掂量团队发现两者之间存在显赫的正相干关系。布景雄厚性主义与东说念主类评分的相干系数高达1.00，三维形势雄厚性的相干系数为0.92，物理合感性主义的相干系数为0.86，外不雅雄厚性的相干系数为0.82。领略同样性主义的相干系数为0.68，固然相对较低，但p值为0.07，仍在可接纳的统计显赫性范围内。这些考据收尾复古了掂量团队在后续分析中使用这套自动化主义的合感性。

七、测试收尾：几个让东说念主剖释的发现

当扫数测试跑完，数字汇总出来之后，掂量团队得到了几个具有止境分量的发现。

第一个发现是：扫数参与测试的开源AI视频模子，在生成基础物理事件视频方面的涌现都止境灾祸。即使是涌现最好的模子，总体顺利率也只好22%——也就是说，10段视频里有快要8段是"不对格"的。其他大多数模子的顺利率以致不到15%。从各状貌的来看，扫数模子都在至少一个维度上存在昭着的短板，莫得任何一个模子能在扫数方面同期达标。

具体来看各模子的涌现，Cosmos2.5（2B参数，V2V模式）和Wan2.2（14B参数，I2V模式）是玄虚涌现最好的，顺利率分辩为22%和20%。MAGI-1和CogVideoX1.5的合座涌现则昭着较差，顺利率仅在1%到2%之间。各模子在各项具体主义上的各别也很显赫——以布景雄厚性为例，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念念：扫数模子对视觉干涉都极为明锐，尤其是视角变化带来的干涉。从聪惠度分析的收尾来看，只是改变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预计质地产生0.3到0.4傍边的波动（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，对于团结个碰撞事件，从正面拍和从侧面拍，AI给出的预计质地可能各别悬殊。

在四种干涉类型中，视角变化引起的聪惠度渊博最高，其次是物体类别变化，然后是场景变化，而外不雅变化（仅改变神色）引起的聪惠度相对最低——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"的物理预计任务来说，照旧是令东说念主困扰的数字。

这种对视角高度明锐的怡悦，揭示了一个深层问题：这些模子的预计机制是热烈依赖视角的，它们学到的不是"在三维空间中相识物理律例"，而是"在某种特定视觉构图下，这类画面应该怎么延续"。一朝视觉构图改变，它们就像换了一个它们从未见过的视角在计算，性能随之下滑。

第三个发现与视频条目关系：使用多帧视频行为输入（V2V模式）比只用单张图像（I2V模式）恶果昭着更好，而况改善不仅体面前领略预计上，还体面前布景雄厚性和物体外不雅雄厚性上。掂量团队推测，多帧条目下模子梗概从相接帧中配置起更雄厚的物体示意，对录像机领略的相识也更清澈，从而生成布景更雄厚的视频。

第四个发现让东说念主颇感不测：将Cosmos2.5从2B参数膨大到14B参数，在简直扫数主义上的涌现反而有所下落。V2V模式下，2B版块的顺利率为22%，而14B版块只好14%；I2V模式下，2B版块顺利率12%，14B版块只好8%。这一收尾与此前部分掂量者淡薄的不雅点相吻合——更大的模子在教训数据散播内可能涌现更好，但在需要着实泛化物理律例的场景下，更多的参数并无谓然带来更好的泛化才略。天然，掂量团队也指出，这个发现仅基于一个模子眷属的一次领域对比，需要更多左证才气得出更渊博的论断，但CRONOS基准本人为异日的深切掂量提供了器具。

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主义上的涌现渊博高于滚落事件——这可能是因为碰撞事件的判断题（"两个物体是否战争了"）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。掩饰事件在物理合感性上涌现最好，因为"物体散失后是否再行出现"这种判断相对容易，但在形势雄厚性上的挑战更大，因为万古序的物体追踪会蕴蓄更多很是。

八、局限与异日：这套测试本人有哪些界限

掂量团队对自身职责的局限进行了止境坦诚的筹商。

最昭着的局限是合成数据与真实寰球之间的领域差距。CRONOS使用的是作假引擎渲染的合成视频，固然画质止境粗略，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相识为一种会诊性左证，而非对模子在真实视频场景中涌现的径直估算。

另一个局限是参考视频的单一性。大多数主义将AI生成视频与独逐个段参考渲染进行比拟。但执行上，对于团结个物理开动条目，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，仍然恰当动量守恒定律。掂量团队通过多种子采样和挑升缱绻的不依赖参考视频的雄厚性主义来部分缓解这个问题，但在异日版块中，评估应该梗概与多个物理上合理的参考轨迹进行比拟。

此外，测试障翳的模子仅限于开源模子，像Veo、Sora、Kling这么的买卖闭源模子并未纳入评测。这不是掂量团队的轻佻，而是客不雅限定——固定权重和可复现配置是进行严格对比分析的前提条目。研讨到即就是最强的开源模子顺利率也只好22%，这套基准距离"被饱和"还有止境长的路要走，异日的掂量者皆备不错在此基础上不息鞭策。

说到底，CRONOS这项掂量给咱们提供的，是一面照出AI视频生成领域真实现象的镜子。现时这些模子生成的视频，看起来越来越像真实，但在相识物理寰球这件事上，它们很可能还停留在"记取了常见画面长什么样"的阶段，而非着实掌执了"无论在哪个角度、什么神色的物体，在重力下都会按照这套律例领略"这种本色性的物理宗旨。

这对时常东说念主意味着什么呢？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教训数据中大都出现过，而不是因为AI真实磋议了动量守恒。

天然，这个领域的逾越速率也进攻小觑。也许在不久的将来，会有模子在CRONOS上获取着实令东说念主信服的获利，当时刻咱们才气更有把执地说，AI出手着实"相识"物理寰球了。在此之前，CRONOS提供了一把量尺，让掂量者不错清澈地追踪这条路走了多远。感风趣风趣的读者不错通过论文编号arXiv:2605.23699查阅齐备的掂量论说，数据集和评测代码也已公拓荒布在论文主页上。

Q&A

Q1：CRONOS基准测试和时常的视频生成质地评测有什么区别？

A：时常的视频质地评测主要看画面是否清澈顺眼，而CRONOS挑升测试团结个物理事件在视角、场景、物体外不雅等视觉条目发生变化时，AI的预计质地是否保持雄厚。换句话说，CRONOS不是在问"视频好不顺眼"，而是在问"AI是否着实相识物理律例，而不单是记取了特定画面的视觉作风"。

Q2：为什么换个录像机角度会让AI视频生成模子涌现变差？

A：因为面前这些模子主淌若从大都视频数据中学习"什么样的画面接着什么样的画面"，而不是着实在三维空间中相识物体领略律例。团结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，导致预计质地出现昭着各别。

Q3：Cosmos2.5把参数从2B扩大到14B，为什么恶果反而变差了？

A：CRONOS测试的是模子在受控干涉下的物理一致性，而不是教训数据散播内的生成质地。更大的模子可能更擅长效法教训数据中常见的视觉模式，但这不等于更好地泛化物理律例。当测试条目包含系统性的视觉变化时，靠牵记视觉模式的战略反而可能带来更大的波动世界杯官方认证平台，导致领域扩大后性能不升反降。