新论文提出「因果可写性」：视频模型内含正确物理，深层编辑可还原
ZimingLiu11 · x · 2026-09-16
arXiv 论文《A Chosen Future Can Still Be Rewritten: Causal Writability in Video Models》（Ziming Liu 等）研究了一个问题：视频模型生成错误物理运动时，到底是没学会，还是学会没用上？
- 核心发现：是后者。训练模型看「红色质量慢振荡、蓝色质量快振荡」的视频，再测一个运动很快的红色质量——即使模型仍生成慢运动，一个由简单物理变量预测出的低维编辑就能恢复正确的快运动。作者称之为「因果可写性」（causal writability）。
- 深度边界：固定编辑强度下存在锐利的深度边界——边界之前同样的编辑能改变视频，之后则无效，这标志着模型对物理的「承诺/提交」点。更强的下游写入仍可恢复，但增益过大会过冲。
- 预测能力：早期可写性还能预测训练后期会纠正哪些错误——会被纠正的错误在更多网络深度上可写。
- 普适性：在预训练 1.3B 视频模型上复现了这两个现象。作者补充：模型在网络某一层「下定决心」提交物理，之后物理就不可编辑了。
所属事件:新论文提出视频模型「因果可写性」，物理规则可改写但有深度边界(2 条相关)→
「研究」频道最新
- Primitive Research 用 AI 扫描 1900 万颗恒星，发现 49 颗系外行星候选体 — altryne · 2026-10-24
- 回顾用程序搜索自动发现优化器：Lion 与 VeLO 两篇代表作 — akbirthko · 2026-10-24
- 新论文提出「瓶颈压力」指标：定位 AI 提速后哪些人类任务价值上升 — soumitrashukla9 · 2026-10-24
- 开发者用 Grok 把旧论文重建成交互式社会模拟器 Synthetic Social Graph — seanmcdonaldxyz · 2026-10-24
- UC Berkeley《Modern Computer Vision》课程视频公开 — burny_tech · 2026-10-24
- 度量空间随机对象的深度学习框架摆脱流形假设约束 — burny_tech · 2026-10-24