物理语言

现有世界模型直接在像素空间预测未来视频，底层物理规律隐式且常出错。PHIZERO 提出“物理语言”——一种从野生视频中学到的紧凑离散状态过渡表示，将动力学推理与像素合成解耦。它先用 VLM 预测物理语言序列，再用扩散解码器渲染视频。在 Physics-IQ、PhyGround 等多个基准上，物理一致性显著优于直接像素预测的基线，并展示了零样本跨实体运动迁移。需注意，物理语言是经验表示，并非可解释的物理变量，且覆盖范围受限于视觉可观测现象。