Apple-PI 评测 11 个视频模型物理推理，最好仅 0.473

_akhaliq · x · 2026-07-24

论文想解决什么

Apple-PI 不是只看视频生成“像不像”，而是专门评估模型是否真的按物理定律推理、再生成出合理的视频。

主要组成

Orchard 数据集：包含 400 个视频，覆盖 10 个经典力学任务。
评测流程：采用感知（Perception）→ 公式化（Formulation）→ 演绎（Deduction）的三阶段协议，并对首帧加入信息图式标注，配合 chain-of-frames 提示。
评测体系：把 MLLM 主观打分与基于物理定律的客观指标结合起来。

关键结论

作者评测了 11 个模型，发现当前视频模型距离“可靠的、遵守物理定律的世界模拟器”还很远；最好模型也只有 0.473。分析还指出，模型的主要瓶颈集中在感知→公式化→演绎这一链路、多定律迁移能力弱，以及明显的 sim-to-real gap。

「多模态」频道最新