内容提要
视频生成模型如Sora能够生成符合常识的视频，但尚未掌握物理规律。研究表明，这些模型无法抽象出普遍的物理规则，在未见过的场景中表现不佳，主要依赖记忆和案例模仿。尽管增加数据和模型规模可以改善表现，但对新场景的推理能力提升有限。
关键要点
-
视频生成模型如Sora能够生成符合常识的视频，但尚未掌握物理规律。
-
Yann LeCun认为基于文本提示生成的视频并不代表模型理解物理世界。
-
François Chollet质疑Sora的物理模型是否准确，能否泛化到新情况。
-
字节豆包大模型团队的研究表明，模型无法抽象出普遍的物理规则。
-
视频生成模型像只会抄作业的学生，依赖记忆和案例模仿。
-
即使增加数据和模型规模，模型在新场景中的推理能力提升有限。
-
研究发现，模型在分布外泛化（OOD）表现不佳，扩展数据和模型规模影响有限。
-
组合泛化场景中，模型在未见过的组合中展现出更强的泛化能力。
-
模型依赖记忆和案例模仿，而非抽象出普遍的物理规则。
-
视频生成模型在生成物体运动状态时更依赖颜色而非形状。
-
视频表征的局限性导致在细粒度物理建模方面出现显著误差。
-
研究团队在探索过程中经历了多次试错，最终确认模型依赖样本匹配。
延伸问答
Sora模型在理解物理规律方面存在哪些局限性？
Sora模型无法抽象出普遍的物理规则，主要依赖记忆和案例模仿，导致在未见过的场景中表现不佳。
Yann LeCun对视频生成模型的看法是什么？
Yann LeCun认为基于文本提示生成的视频并不代表模型真正理解物理世界，且这种建模方式注定要失败。
字节豆包大模型团队的研究发现了什么？
研究发现即使增加模型参数和训练数据，模型仍无法理解物理规律，且在新场景中的推理能力提升有限。
视频生成模型在分布外泛化方面的表现如何？
模型在分布外泛化（OOD）表现不佳，扩展数据和模型规模对提升推理能力几乎没有影响。
如何评估视频生成模型对物理规律的理解？
通过生成视频并检验其运动和碰撞是否符合力学定律来判断模型是否理解物理规律。
模型在组合泛化场景中的表现如何？
在组合泛化场景中，模型能够展现出更强的泛化能力，尤其是在训练集覆盖更多组合场景时。
