💡
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
字节跳动豆包大模型团队经过8个月的研究发现，视频生成模型能够记忆训练案例，但缺乏对物理规律的真正理解，无法泛化到新场景。尽管在熟悉概念下表现良好，模型仍依赖记忆，缺乏抽象能力。
🎯
关键要点
- 字节跳动豆包大模型团队经过8个月研究，发现视频生成模型能记忆训练案例，但无法真正理解物理规律。
- 研究首次系统性实验，结论是视频生成模型缺乏抽象能力，无法泛化到新场景。
- 实验中，模型在熟悉概念下表现良好，但在未见过的速度区间生成视频时不遵循物理规律。
- 模型生成新视频时主要依赖对训练案例的记忆，无法处理新场景的物理交互。
- 如果训练视频中的概念和物体是模型熟悉的，增加训练数据复杂度可提升模型对物理规律的遵循。
- 研究团队由年轻的95后和00后组成，专注于视觉领域的基础研究，经历多次失败后确定研究思路。
- 字节跳动在大模型领域持续加大投入，招募顶尖研究人才，推动创新探索。
❓
延伸问答
字节跳动的研究发现视频生成模型有什么局限性？
视频生成模型能够记忆训练案例，但无法真正理解物理规律，缺乏抽象能力，无法泛化到新场景。
在什么情况下视频生成模型能更好地遵循物理规律？
当训练视频中的所有概念和物体都是模型已熟悉的，并且增加训练数据的复杂度时，模型对物理规律的遵循会更好。
字节跳动的研究团队在实验中使用了什么方法？
研究团队通过专门开发的物理引擎合成经典物理场景的视频，用于训练视频生成模型，并检验生成视频是否符合力学定律。
研究中提到的“Scaling Law”对模型有什么影响？
尽管遵循“Scaling Law”增大模型参数和数据量，模型依然无法抽象出一般物理规则，无法真正理解物理规律。
研究团队的背景是什么？
研究团队由年轻的95后和00后组成，专注于视觉领域的基础研究，经历多次失败后确定研究思路。
图灵奖得主杨立昆对这项研究有什么看法？
杨立昆点赞并转发了该研究，表示结论不令人意外，但很高兴有人做了这个尝试。
➡️
