教世界模型懂得「东西被挡住了也还在」

用认知科学实验造数据，教视频模型物体恒存

3 分钟版

问题　视频生成模型被视为一类世界模型，并被认为开始「涌现」推理能力。但它们是否掌握了人类最基础的物理先验——物体恒存（被遮挡后依然存在）和物体实体性（固体不能互相穿过）？如果没有，能否用受认知科学启发的数据把它训练出来？

思路　作者构建 WROP：150 个手工设计的任务生成器（90 个物体恒存、60 个物体实体性），分为六个认知类别。每个生成器在 Blender 里随机化速度、光照、机位等无关参数，同时保持任务的认知结构不变，每个任务可生成一万条以上样本。关键物理事件总是发生在视频后半段：前半段作为输入，后半段作为要预测的目标。团队发布 150 万条训练语料和 300 题考卷，并在 Cosmos3-Nano 上微调出 PWM-WROP。

结果　20 位评审对 14 个模型做了 361 次盲测两两比较。Wan 3.0 Prime 和 MiniMax H3 以 1723.6 Elo 并列第一；PWM-WROP 以 1679.5 排第三，是「真接续」类模型中最高的，领先 Grok Imagine（视频延展）224 Elo。自动指标上 PWM-WROP 的 LPIPS（0.081）和 MS-SSIM（0.921）最好。

所以呢　物理常识可以通过针对性合成数据补强，这对需要大量「物理正确」视频的机器人和仿真公司是好消息。但作者也坦白：模型之间架构不同，差距不能全归因于训练数据；PWM-WROP 是唯一在 WROP 数据上训练过的模型，而且考卷与训练数据来自同一批生成器。

关键数字

• 1679.5 PWM-WROP 的人类偏好 Elo（第 3 名）（§5.1.1 · Table 2）
• 224 PWM-WROP 领先次优「真接续」模型的 Elo（§5.1.1）
• 150 手工设计的任务生成器数量（§3.1 · 摘要）
• 0.081 PWM-WROP 的 LPIPS（感知距离，越低越好）（§5.3 · Table 3）
• 361 人工盲测两两比较次数（Table 2）

局限与疑问

• 考卷与训练数据同源，PWM-WROP 有主场优势。
• 人工评测样本量小（20 人、361 次比较），前几名区间重叠。
• 不同接口类别的模型按不同假设生成，跨类比较需谨慎。
• 架构差异使训练数据的贡献无法单独分离（作者自述）。

arXiv 摘要页 · PDF