论文代表图：figure-07-p017-02

Principia：用关系不变量测试视频模型的物理一致性

作者

快速导读：本文提出 Principia 基准，通过评估成对物体在图像空间中的关系不变量（无需相机标定），揭示当前视频生成模型和视觉语言模型在视觉质量高企的同时，物理一致性极低且随规模扩大并未显著改善。

当前视频生成模型常被宣传为“世界模型”，但视觉逼真度并不等同于物理正确性。现有评估基准如 VBench 主要关注视觉质量，无法有效衡量物理一致性；而现有的物理评估方法往往依赖绝对测量或相机标定，这些参数在生成视频中通常未知或模糊，导致评估困难。

本文提出 Principia 基准，通过评估成对物体在图像空间中的关系不变量（无需相机标定），揭示当前视频生成模型和视觉语言模型在视觉质量高企的同时，物理一致性极低且随规模扩大并未显著改善。

英文题目：Principia: Relational Physics Tests for Video Models

论文出处：arXiv 每日论文精选 · arXiv:2609.04200

原始论文：PDF / 论文页面

这篇论文解决什么问题？

视频生成模型的评估长期面临“视觉质量”与“物理正确性”脱节的问题。VBench 等主流基准在视觉质量维度上得分普遍较高，但无法捕捉模型在运动轨迹、碰撞、摩擦等物理现象上的系统性错误。

现有的物理视频评估基准（如 Physics-IQ, Morpheus, PhysVid）通常依赖绝对测量（如速度、加速度）或需要恢复相机内参和度量尺度。然而，生成视频中的相机运动、帧率和尺度往往是模糊或未知的，这使得基于绝对测量的评估方法难以直接应用。

此外，最接近的前驱工作（如 Galileo's equivalence）仅针对重力现象，缺乏对多种牛顿力学现象的通用覆盖。因此，缺乏一种无需标定、能直接量化物理定律违反程度的通用评估方法。

核心创新

  • 提出了 Principia 基准，包含 500+ 真实世界成对物体场景，覆盖 8 种牛顿力学现象。
  • 设计了无需标定的关系一致性评分（Unit-free Relational Consistency Score），直接在图像空间量化物理定律的违反程度。
  • 构建了 Principia-Synth 合成数据集，包含物理正确和故意违反物理定律的视频，用于评估 VLM 的物理推理能力。
  • 揭示了视觉质量与物理保真度解耦的现象，以及模型规模扩大并不均匀提升物理一致性的规律。

方法概览

Principia 基准包含 500+ 个真实世界场景，覆盖 8 种牛顿力学现象（重力、恢复系数、摩擦、转动惯量、抛体运动、动量、单摆、弹簧振子）。核心方法是“关系一致性评分”（Relational Consistency Score），通过比较同一场景中两个遵循相同物理定律的物体的运动关系（如到达时间相等、位移比例等）来量化物理违反程度。该评分仅依赖像素空间的比值和相等关系，无需相机内参、帧率或度量尺度。此外，利用 Isaac Sim 构建了 Principia-Synth 合成数据集，用于评估 VLM 检测物理违规的能力。

  • Principia 基准包含 500+ 个真实世界场景，覆盖 8 种牛顿力学现象：重力、恢复系数、摩擦、转动惯量、抛体运动、动量、单摆、弹簧振子。
  • 核心方法是“关系一致性评分”（Relational Consistency Score），通过比较同一场景中两个遵循相同物理定律的物体的运动关系（如到达时间相等、位移比例等）来量化物理违反程度。
  • 该评分仅依赖像素空间的比值和相等关系，无需相机内参、帧率或度量尺度，实现了 Unit-free 评估。
  • 利用 Isaac Sim 构建了 Principia-Synth 合成数据集，包含物理正确和故意违反物理定律的视频，用于评估 VLM 检测物理违规的能力。
  • 评估假设模型能生成基本的定性正确运动，通过方向一致性分数（DCS）过滤非合规视频，确保评分聚焦于物理关系而非基础运动生成缺陷。

逐图理解论文

直觉失败案例

直觉失败案例
Figure 2: (a) A generated video of a single block sliding down an incline, shown at three timesteps and as a stroboscopic composite (top right): motion appears plausible. (b) A generated video of two blocks with different masses released simultaneously on identical inclines, where the blocks arrive at different times, violating the mass-independence invariant of gravitational acceleration. This violation only becomes detectable through relative comparison.

图 2 展示了单个滑块和成对滑块的运动对比。单个滑块运动看似合理，但成对滑块因质量不同导致到达时间不同，违反了重力加速度的质量无关不变量。这直观说明了关系不变量在检测物理违规中的必要性。

研究空白

研究空白
Table 1: Comparison of physics benchmarks. Principia uniquely combines calibration-independent relational evaluation, quantitative physics-derived scoring, multi-phenomenon coverage, real video data, and evaluation of both video generators and vision-language models. Unit-Free: evaluation independent of metric scale or camera calibration. Relational: explicit intra-scene invariants between paired objects under the same physical law. Quant. Physics: continuous score derived from the physical law being tested. Multi-Phys.: spans multiple distinct physical phenomena. Real: includes real-world video data. Gen: evaluates video generators. VLM: evaluates vision-language models.

表 1 对比了现有物理基准。Principia 是唯一结合无标定关系评估、定量物理评分、多现象覆盖、真实视频数据以及同时评估视频生成器和 VLM 的基准。

核心贡献

核心贡献
Table 2: Relational invariants across the eight Principia phenomena. For each scenario, the listed constants are held fixed across paired objects and the listed variables differ. The relational invariant in the rightmost column of the form Fϕ(o1) = Fϕ(o2) must hold whenever both objects obey the same physical law, regardless of camera, scale, or frame rate.

表 2 列出了 8 种现象的关系不变量。对于每种场景，列出了保持固定的常量和变化的变量，以及必须满足的关系不变量形式。

关键发现

关键发现
Figure 3: Visual quality decouples from physical fidelity, and different model classes fail on different phenomena. (a) All six video generators score around 0.8 on VBench but below 0.5 on Principia, clustering in the high-visual-quality, low-physics-fidelity region. (b) Per-phenomenon continuous consistency scores Sϕ for video generators. (c) Per-phenomenon agreement scores for vision-language models. VLM polygons are smoother and more uniform than generator polygons (compare b vs c).

图 3 展示了视觉质量与物理保真度的解耦。所有 6 个视频生成器在 VBench 上得分约 0.8，但在 Principia 上低于 0.5。不同模型在不同现象上表现各异，没有模型在所有现象上占优。

VLM 评估

VLM 评估
Table 4: Performance of vision-language models Each cell reports the agreement score Aϕ: the fraction of scenes where the VLM’s PASS/FAIL judgment matches the binary ground truth. Higher is better. Bold denotes the best per column. The Overall column reports the mean across scenarios for each model.

表 4 报告了 VLM 在 Principia-Synth 上的性能。最佳 VLM (Gemini-3-Flash) 的平均一致性得分仅为 0.661，多数模型接近随机水平。

实验如何设计？

  • 评估了 6 个最先进的视频生成模型（Veo-3.1, Omni, Wan2.2-5B/14B, Cosmos-2.5-2B/14B）在 Principia 上的表现。
  • 评估了 4 个视觉语言模型（Gemini-3.1-Pro, Gemini-3-Flash, Qwen-32B, Qwen-4B）在 Principia-Synth 上检测物理违规的能力。
  • 分析了模型内部规模扩大（Scaling）对物理一致性的影响（Cosmos 2B->14B, Wan 5B->14B, Qwen 4B->32B, Gemini Flash->Pro）。
  • 进行了相机运动鲁棒性分析，验证评分对相机平移和缩放的敏感性。

关键结果与论文证据

  • 所有 6 个视频生成模型在 VBench 上得分约 0.8，但在 Principia 上得分低于 0.5（范围 0.14-0.42），表明视觉质量与物理保真度近乎正交（Page 7）。
  • Wan2.2-14B 取得最佳整体 Principia 得分 0.419，略高于 Omni (0.409) 和 Veo-3.1 (0.379)（Page 7）。
  • 最佳 VLM (Gemini-3-Flash) 在 Principia-Synth 上的平均一致性得分仅为 0.661，多数模型接近随机水平（Page 9）。
  • 在 Cosmos 和 Wan 模型家族中，规模扩大导致至少一种物理现象的性能下降（如 Cosmos 恢复系数 -0.09, Wan 动量 -0.05）（Page 17）。
  • VLM 规模扩大（Qwen 4B->32B, Gemini Flash->Pro）并未提升性能，反而导致整体性能下降（Qwen -0.04, Gemini -0.12）（Page 20）。

阅读时需要注意

  • 仅测试宏观牛顿力学，未涵盖流体动力学、软体变形或热力学现象。
  • 生成视频中可能出现的幻觉物体、缺失物体或严重变形未被自动区分，这些失败与物理推理无关但会影响评分。
  • 评估假设模型能生成基本的定性正确运动，通过 DCS 过滤非合规视频，这可能掩盖了模型在基础运动生成上的缺陷。
  • Principia 评分对相机运动敏感，特别是抛体运动场景，水平平移会改变表观范围顺序，导致评分错误。

关联工作

  • VBench 评估视觉质量，Principia 评估物理一致性，两者近乎正交（Page 7）。
  • Galileo's equivalence 仅针对重力现象，Principia 将其推广到 8 种现象（Page 4）。
  • Physics-IQ, Morpheus, PhysVid 通常依赖绝对测量或标定，Principia 无需标定（Page 4）。
  • Isaac Sim 用于生成 Principia-Synth 合成数据集（Page 5）。

发表评论