Дом
PhiZero является пионером в области физического языка, позволяющего моделям искусственного интеллекта, отражающим мир, мыслить как люди
В современном контексте использования крупных моделей генерация видео всё чаще рассматривается как основополагающий симулятор воплощённого интеллекта. Однако большинство широко распространённых подходов опирается на прямое прогнозирование в пиксельном пространстве, что зачастую приводит к нестабильности или несогласованности физических законов. Для решения этой важнейшей отраслевой задачи наша исследовательская группа официально представила PhiZero — новую модель физического мира. Выходя за рамки традиционного «слепого» прогнозирования, PhiZero инновационно внедряет «физический язык», позволяющий ИИ проводить явное физическое рассуждение перед генерацией видео.
В основе PhiZero лежит дискретное представление, известное как «физический язык». Благодаря самообучению на обширных наборах данных видеозаписей, снятых на открытом воздухе, этот язык извлекает шаблоны переходов состояний, фиксируя правила динамической эволюции в различных визуальных контекстах. Используя это, модель применяет архитектуру «сначала рассуждения, затем рендеринг»: сначала она автономно выводит будущие траектории эволюции мира в пространстве физического языка, а затем передает их специализированному диффузионному декодеру для синтеза видео высокой четкости. Такое отделение базового моделирования динамики от синтеза на уровне пикселей значительно повышает физическую согласованность.

С технической точки зрения система состоит из двух ключевых модулей: токенизатора и модуля рассуждений. Токенизатор физического языка использует Q-Former на уровне переходов для фиксации изменений между соседними состояниями, генерируя компактные дискретные символы посредством ограниченного скалярного квантования. Затем диффузионный декодер реконструирует детализированные визуальные образы на основе начального кадра и этих дискретных символов. Между тем модуль рассуждений на физическом языке, инициализированный с помощью предварительно обученной модели «зрение-язык», точно предсказывает будущие последовательности физического языка, исходя из первого кадра и текстовых намерений действий.

Оценки по эталонным тестам подтверждают, что PhiZero демонстрирует передовые результаты в ряде тестов на физическое рассуждение и генерацию видео, включая Physics-IQ Verified, PhyGround и WorldModelBench. Будь то смещение объектов в результате столкновений, деформация под действием силы тяжести или сложные цепные реакции — модель демонстрирует высокую степень реалистичности физических явлений.
На фоне ускоренного развития воплощённого интеллекта и робототехники выпуск PhiZero прокладывает новый путь к созданию управляемого интерактивного моделирования мира. Модель призвана сыграть ключевую роль в сценариях долгосрочного моделирования и переноса движения.
Связанная статья
Чип Nvidia Vera: ставка в 200 миллиардов долларов, на которую Дженов Хуанг хочет обратить ваше внимание
Чип Nvidia Vera редко попадает в заголовки, когда прибыль превышает ожидания, однако он заслуживает внимания. Прибыль за первый квартал достигла 81,62 млрд долларов США, превзойдя оценки аналитиков в 78,86 млрд долларов США, а прогноз на второй кварт
MingTang Intelligent представляет MiniCPM-V 4.7 для устройств на периферии, обеспечивая скорость более 13 токенов/с при объеме памяти 3 ГБ
Mingshi Intelligence представила свою новейшую мультимодальную большую модель для периферийных устройств — MiniCPM-V 4.7, доступную в двух конфигурациях: 35B-A3B и 1B. Вариант 35B-A3B является первой моделью с архитектурой Mixture of Experts (MoE) в
Gamma выкупает компанию Lica, поддерживаемую Accel, для усиления возможностей в области дизайна
Gamma, ведущая платформа для создания презентаций, приобрела Lica, стартап в области дизайна при поддержке Accel, чтобы создать специализированную лабораторию дизайн-исследований, согласно эксклюзивным отчетам TechCrunch. Сооснователи Lica возглавят
Рекомендации по связанным специальным темам
Комментарии (0)
В современном контексте использования крупных моделей генерация видео всё чаще рассматривается как основополагающий симулятор воплощённого интеллекта. Однако большинство широко распространённых подходов опирается на прямое прогнозирование в пиксельном пространстве, что зачастую приводит к нестабильности или несогласованности физических законов. Для решения этой важнейшей отраслевой задачи наша исследовательская группа официально представила
В основе

С технической точки зрения система состоит из двух ключевых модулей: токенизатора и модуля рассуждений. Токенизатор физического языка использует Q-Former на уровне переходов для фиксации изменений между соседними состояниями, генерируя компактные дискретные символы посредством ограниченного скалярного квантования. Затем диффузионный декодер реконструирует детализированные визуальные образы на основе начального кадра и этих дискретных символов. Между тем модуль рассуждений на физическом языке, инициализированный с помощью предварительно обученной модели «зрение-язык», точно предсказывает будущие последовательности физического языка, исходя из первого кадра и текстовых намерений действий.

Оценки по эталонным тестам подтверждают, что
На фоне ускоренного развития воплощённого интеллекта и робототехники выпуск
Чип Nvidia Vera: ставка в 200 миллиардов долларов, на которую Дженов Хуанг хочет обратить ваше внимание
Чип Nvidia Vera редко попадает в заголовки, когда прибыль превышает ожидания, однако он заслуживает внимания. Прибыль за первый квартал достигла 81,62 млрд долларов США, превзойдя оценки аналитиков в 78,86 млрд долларов США, а прогноз на второй кварт
MingTang Intelligent представляет MiniCPM-V 4.7 для устройств на периферии, обеспечивая скорость более 13 токенов/с при объеме памяти 3 ГБ
Mingshi Intelligence представила свою новейшую мультимодальную большую модель для периферийных устройств — MiniCPM-V 4.7, доступную в двух конфигурациях: 35B-A3B и 1B. Вариант 35B-A3B является первой моделью с архитектурой Mixture of Experts (MoE) в
Gamma выкупает компанию Lica, поддерживаемую Accel, для усиления возможностей в области дизайна
Gamma, ведущая платформа для создания презентаций, приобрела Lica, стартап в области дизайна при поддержке Accel, чтобы создать специализированную лабораторию дизайн-исследований, согласно эксклюзивным отчетам TechCrunch. Сооснователи Lica возглавят











