知识卡片：视频世界模型的物理一致性测量基准（World Models' Last Exam in Physics）

一句话结论

该研究提出一个基于测量的基准 World Models' Last Exam in Physics，用 40 个受控任务评估视频世界模型在多个物理领域中的物理一致性；在八个视频生成模型、1,280 个视频上，最佳模型总分仅为 57.76/100，显示物理不一致仍然持续存在。

事件概述或研究问题

视频世界模型能生成视觉上逼真、但物理上不一致的序列，这会引发对其在具身 AI 系统中用于预测与规划的可靠性的担忧。现有评测常依赖模型判断或参考视频，而直接物理测试又多集中在力学。该工作试图用覆盖多物理领域、无需参考视频、基于可测量物理关系的基准，来评估视频世界模型的物理一致性。

方法/产品要点

• 提出 World Models' Last Exam in Physics，一个基于测量的物理一致性基准。
• 基准包含 40 个受控任务，覆盖力学、光学、流体、热与相变现象、电磁学、表面张力。
• 每个任务由初始图像、生成提示词和预定义物理标准组成，用于可解释地测试可观察物理关系，且不需要参考视频。
• 评测器结合“任务可观测性筛选”与“任务特定的定量物理测量”。
• 在八个视频生成模型上开展实验，共涉及 1,280 个视频。
• 使用已知物理关系的合成视频，为测量模块在受控条件下的有效性提供证据。
• 评测器在任务内排名和成对比较中，与人类判断的一致性高于直接使用视觉语言模型（VLM）的基线。

主要结果或产业意义

• 实验显示视频生成模型存在持续性的物理不一致，且不同任务之间差异显著。
• 最佳模型总体得分为 57.76/100，说明该方向仍有明显提升空间。
• 该基准将评测从视觉相似性或模型主观判断，推进到可测量物理证据，并明确测量限制。
• 对具身 AI 而言，这意味着视频世界模型的视觉质量不能直接等同于物理可信度，预测与规划可靠性需要单独评测。
• 该基准可用于诊断物理不一致，并跟踪视频世界模型向物理一致方向发展的进展。

为什么重要

视觉逼真的视频世界模型若物理上不可靠，可能误导下游预测、规划和决策。该工作的重要性在于把“物理一致性”从抽象担忧转化为可测量、可解释、跨多个物理领域的评测问题。

与既有卡片的关系：已有 PINN 卡片关注用物理信息神经网络求解双材料弹性动力波，SolarChain-Eval 关注去中心化能源市场中自主智能体的物理约束基准，DataGovBench 关注 LLM 真实世界数据分析。本条卡片的增量在于：评测对象是视频世界模型，核心问题是物理一致性，方法路径是受控任务加定量物理测量，而非求解特定物理方程或审计能源市场智能体。

局限与不确定性

• 来源材料仅提供题录与摘要，完整论文中的任务设计、评分公式、阈值、测量误差和统计显著性：待核实。
• 八个视频生成模型的具体名称、版本、采样参数，以及 1,280 个视频的采样方式：待核实。
• 人类判断评估的参与者规模、一致性指标数值和评估协议：待核实。
• 合成视频验证测量模块的具体设置、覆盖物理关系和受控条件：待核实。
• 基准代码与数据是否公开、作者机构、同行评议或正式发表状态：待核实。
• 40 个受控任务能否推广到开放世界具身场景，以及各物理领域覆盖是否均衡：待核实。
• 来源未单列英文关键词；英文关键词是否与作者原文一致：待核实。

可用于图书/PPT/简报的角度

• “视觉逼真不等于物理可信”：视频世界模型评测的下一关。
• 从参考视频和主观判断，转向可测量物理关系：基准设计思路。
• 跨物理领域任务矩阵：力学、光学、流体、热与相变、电磁、表面张力。
• 具身 AI 风险叙事：预测与规划不能只依赖视频生成质量。
• 结果解读：最佳模型 57.76/100 意味着什么。
• 评测器与 VLM 基线的人类对齐比较：为什么测量模块重要。
• 延伸讨论：测量限制、开放世界泛化、任务覆盖平衡。

原始材料

• Title: World Models' Last Exam in Physics
• arXiv ID: 2610.08791v1
• Authors: Mingju Gao, Qingle Liu, Yuzhao Peng, Xinjie Lin, Ziming Qin, Zheng Jiang, Wenyi Li, Calvin Xiao, Youjie Zheng, Kaisen Yang, Qinhuai Na
• Published: 2026-10-06T17:59:56Z（来源元数据标注）
• Updated: 2026-10-06T17:59:56Z（来源元数据标注）
• Primary category: cs.CV
• Categories: cs.CV
• Abstract URL: https://arxiv.org/abs/2610.08791v1
• PDF URL: https://arxiv.org/pdf/2610.08791v1
• Track: academic；Topics: foundation-model
• English keywords（据摘要术语整理；来源未单列关键词，是否与原文一致待核实）：video world models; physical consistency; measurement-based benchmark; embodied AI; video generation models