Heim
PhiZero leistet Pionierarbeit im Bereich der physikalischen Sprache und ermöglicht es KI-Weltmodellen, wie Menschen zu denken
In der heutigen Landschaft großer Modelle wird die Videogenerierung zunehmend als grundlegender Simulator für verkörperte Intelligenz angesehen. Die meisten gängigen Ansätze stützen sich jedoch auf direkte Vorhersagen im Pixelraum, was häufig zu instabilen oder inkonsistenten physikalischen Gesetzen führt. Um diese entscheidende Herausforderung der Branche zu lösen, hat unser Forschungsteam offiziell PhiZero vorgestellt, ein neues Modell der physikalischen Welt. PhiZero geht über die traditionelle blinde Vorhersage hinaus und integriert auf innovative Weise eine „physikalische Sprache“, die es der KI ermöglicht, vor der Videogenerierung explizite physikalische Schlussfolgerungen zu ziehen.
Im Kern führt PhiZero eine diskrete Darstellung ein, die als „physikalische Sprache“ bezeichnet wird. Durch selbstüberwachtes Lernen anhand umfangreicher Videodatensätze aus Außenbereichen extrahiert diese Sprache Zustandsübergangsmuster und erfasst so dynamische Entwicklungsregeln in vielfältigen visuellen Kontexten. Darauf aufbauend nutzt das Modell eine Architektur nach dem Prinzip „zuerst Schlussfolgerung, dann Rendering“: Es leitet zunächst autonom zukünftige Entwicklungsverläufe der Welt innerhalb des Raums der physikalischen Sprache ab und leitet diese dann an einen spezialisierten Diffusionsdecoder zur hochauflösenden Videosynthese weiter. Diese Trennung der zugrunde liegenden Dynamiksimulation von der Synthese auf Pixelebene verbessert die physikalische Konsistenz erheblich.

Technisch gesehen besteht das System aus zwei Schlüsselmodulen: einem Tokenizer und einem Reasoner. Der physikalische Sprach-Tokenizer verwendet einen Q-Former auf Übergangsebene, um Veränderungen zwischen benachbarten Zuständen zu erfassen, und generiert dabei kompakte diskrete Symbole mittels begrenzter skalarer Quantisierung. Der Diffusionsdecoder rekonstruiert anschließend detaillierte Bildinhalte auf der Grundlage des Anfangsframes und dieser diskreten Symbole. Der Reasoner für die physikalische Sprache, der mit einem vortrainierten Vision-Language-Modell initialisiert wird, sagt unter Berücksichtigung des ersten Bildes und textbasierter Aktionsabsichten zukünftige Sequenzen der physikalischen Sprache präzise voraus.

Benchmark-Auswertungen bestätigen, dass PhiZero in zahlreichen Tests zur physikalischen Schlussfolgerung und Videogenerierung, darunter Physics-IQ Verified, PhyGround und WorldModelBench, eine Leistung auf dem neuesten Stand der Technik erzielt. Ob es um die Verschiebung von Objekten durch Kollisionen, schwerkraftbedingte Verformungen oder komplexe Kettenreaktionen geht – das Modell weist eine äußerst realistische physikalische Plausibilität auf.
Angesichts der rasanten Entwicklung in den Bereichen verkörperte Intelligenz und Robotik ebnet die Veröffentlichung von PhiZero einen neuen Weg für die steuerbare, interaktive Weltmodellierung. Es ist dazu bestimmt, eine zentrale Rolle in Szenarien der Langzeitsimulation und Bewegungsübertragung zu spielen.
Verwandter Artikel
Nvidias Vera-Chip: Die 200-Milliarden-Dollar-Wette, auf die Jensen Huang Sie aufmerksam machen möchte
Der Nvidia Vera-Chip erregt selten Schlagzeilen, wenn die Gewinne die Erwartungen übertreffen, doch er verdient den Fokus. Mit einem Umsatz im ersten Quartal von 81,62 Milliarden US-Dollar – und damit über den Analystenschätzungen von 78,86 Milliarde
MingTang Intelligent stellt MiniCPM-V 4.7 für Edge-Geräte vor und liefert 13+ Token/s bei 3 GB Speicher
Mingshi Intelligence hat sein neuestes multimodales Großmodell für Edge-Geräte, MiniCPM-V 4.7, vorgestellt, das in zwei Konfigurationen verfügbar ist: 35B-A3B und 1B. Die Variante 35B-A3B markiert das erste Mixture-of-Experts-(MoE)-Modell in der Mini
Gamma kauft das von Accel unterstützte Unternehmen Lica auf, um die Designfähigkeiten zu stärken
Gamma, eine führende Plattform für Präsentationen, hat Lica, ein von Accel unterstütztes Design-Startup, übernommen, um ein dediziertes Design-Forschungslabor zu etablieren, wie aus exklusiven Berichten von TechCrunch hervorgeht. Die Co-Gründer von L
Empfehlungen zu verwandten Spezialthemen
Kommentare (0)
In der heutigen Landschaft großer Modelle wird die Videogenerierung zunehmend als grundlegender Simulator für verkörperte Intelligenz angesehen. Die meisten gängigen Ansätze stützen sich jedoch auf direkte Vorhersagen im Pixelraum, was häufig zu instabilen oder inkonsistenten physikalischen Gesetzen führt. Um diese entscheidende Herausforderung der Branche zu lösen, hat unser Forschungsteam offiziell
Im Kern führt

Technisch gesehen besteht das System aus zwei Schlüsselmodulen: einem Tokenizer und einem Reasoner. Der physikalische Sprach-Tokenizer verwendet einen Q-Former auf Übergangsebene, um Veränderungen zwischen benachbarten Zuständen zu erfassen, und generiert dabei kompakte diskrete Symbole mittels begrenzter skalarer Quantisierung. Der Diffusionsdecoder rekonstruiert anschließend detaillierte Bildinhalte auf der Grundlage des Anfangsframes und dieser diskreten Symbole. Der Reasoner für die physikalische Sprache, der mit einem vortrainierten Vision-Language-Modell initialisiert wird, sagt unter Berücksichtigung des ersten Bildes und textbasierter Aktionsabsichten zukünftige Sequenzen der physikalischen Sprache präzise voraus.

Benchmark-Auswertungen bestätigen, dass
Angesichts der rasanten Entwicklung in den Bereichen verkörperte Intelligenz und Robotik ebnet die Veröffentlichung von
Nvidias Vera-Chip: Die 200-Milliarden-Dollar-Wette, auf die Jensen Huang Sie aufmerksam machen möchte
Der Nvidia Vera-Chip erregt selten Schlagzeilen, wenn die Gewinne die Erwartungen übertreffen, doch er verdient den Fokus. Mit einem Umsatz im ersten Quartal von 81,62 Milliarden US-Dollar – und damit über den Analystenschätzungen von 78,86 Milliarde
MingTang Intelligent stellt MiniCPM-V 4.7 für Edge-Geräte vor und liefert 13+ Token/s bei 3 GB Speicher
Mingshi Intelligence hat sein neuestes multimodales Großmodell für Edge-Geräte, MiniCPM-V 4.7, vorgestellt, das in zwei Konfigurationen verfügbar ist: 35B-A3B und 1B. Die Variante 35B-A3B markiert das erste Mixture-of-Experts-(MoE)-Modell in der Mini
Gamma kauft das von Accel unterstützte Unternehmen Lica auf, um die Designfähigkeiten zu stärken
Gamma, eine führende Plattform für Präsentationen, hat Lica, ein von Accel unterstütztes Design-Startup, übernommen, um ein dediziertes Design-Forschungslabor zu etablieren, wie aus exklusiven Berichten von TechCrunch hervorgeht. Die Co-Gründer von L











