中山大学梁小丹团队CVPR论文实现物理正确视频生成新突破

想象这样一个场景：一勺蜂蜜缓缓倒入热茶，本该拉出细长、连续的丝线，但在许多AI生成的视频里，这根丝线却可能突然断裂，甚至凭空消失。再比如，一块冰在室温下融化，真实的过程是边缘逐渐软化、体积缓慢变化，最终化为一滩水，而模型生成的结果却常常是直接从“冰块”跳转到“水渍”，中间的逻辑演化消失了。

这些现象并不罕见，恰恰是当前视频生成技术最易“露馅”的地方。画面乍看精美，但过程经不起推敲，缺乏因果链条，也缺少真实世界那种连续、符合物理规律的演变逻辑。

随着从OpenAI Sora到Kling等模型的迭代，视频生成的视觉质量上限被不断刷新，清晰度和风格化已不再是核心瓶颈。行业逐渐意识到一个更深层的问题：模型缺乏对基础物理规律的理解能力。现有方法大多依赖于海量数据的模式匹配，本质上是在生成“看起来合理”的静态画面序列，而非模拟“真实发生”的动态过程。这直接导致了在涉及流体运动、热量传递、多物体复杂交互等场景时，生成结果往往显得生硬、失真。

在此背景下，四川大学雷印杰团队提出了一项新研究《Chain of Event-Centric Causal Thought for Physically Plausible Video Generation》。这项工作的思路颇具启发性：它不再试图让模型直接从文本“跳”到视频，而是引导模型先理解物理过程本身。其核心是将复杂现象拆解为一系列具有因果关系的关键事件，并引入物理规律作为约束，再逐步生成最终的视频内容。目标很明确——不仅要让画面“像”，更要让变化过程本身“对”，从而在更本质的层面提升生成视频的可信度与一致性。

性能表现：数据说话

研究团队首先在专门评估物理合理性的PhyGenBench数据集上进行了系统测试。该数据集包含160条物理描述，覆盖力学、光学、热学和材料四大典型场景。

在整体性能上，新方法取得了0.66的得分。作为对比，此前最优方法PhysHPO的得分为0.61，这意味着0.05的绝对提升，相对提升约8.19%。与主流基础视频生成模型相比，优势更为明显：Kling为0.49，Gen-3为0.51，CogVideoX为0.45。新方法的0.66分意味着相对提升幅度超过了30%，提升相当显著。

分领域来看，新方法在四个方向均表现不俗。其中，力学方向得分0.67（对比约0.55），光学方向0.72（对比0.68），热学方向0.65（对比0.58）。材料方向得分为0.60，虽略低于该领域最高值0.65，但仍处于领先梯队。综合来看，在四个物理领域中有三个取得了第一，综合表现最强。

进一步的细粒度分析揭示了关键。研究将评估拆分为“物理现象识别能力”和“物理顺序正确性”两个指标。结果发现，最显著的提升集中在“物理顺序正确性”上。例如在力学场景中，新方法的顺序正确性得分达到0.79，而对比方法DiffPhy仅为0.53，提升幅度高达0.26。在光学和热学场景中，顺序正确性也分别有0.19和0.11的提升。这清楚地表明，新方法在理解事件的时间顺序和因果逻辑方面，能力得到了实质性增强。

为了检验泛化能力，团队还在更贴近真实应用的VideoPhy数据集上进行了测试。该数据集包含688条提示，涵盖固体-固体、固体-液体、液体-液体间的复杂交互。评价指标是同时满足语义一致性和物理合理性的视频比例。

新方法取得了49.3%的结果，优于此前最优方法的约45.9%，提升3.4%。与基础模型CogVideoX的39.6%相比，提升达到9.7%。值得注意的是，在流体相关场景（如液体流动、蜂蜜倾倒）中，提升最为明显，整体超过10%。这说明新方法在处理连续、渐变的物理动态方面具有独特优势。

一系列消融实验则揭示了各个模块的重要性。移除物理公式模块后，性能从0.66降至0.62（下降约6%）；移除事件分解模块后，降至0.59（下降约11%）；移除文本渐进生成模块后，为0.64（下降约3%）。影响最大的是关键帧生成模块，移除后性能骤降至0.55，降幅达17%。这证实了事件链结构和关键帧机制是整个方法的核心支柱。

研究还分析了事件数量对性能的影响。当事件数量为1到3个时，因信息不足，性能不佳；事件数量为4时，性能达到峰值；当事件数量增加到5或6个时，由于误差在关键帧生成和推理过程中累积，性能反而下降。这说明事件链的长度存在一个“甜点区”，过少无法完整描述过程，过多则会引入不稳定性。

技术核心：如何让AI“理解”过程

那么，这套方法具体是如何工作的？研究团队设置了统一的实验基础：视频生成主干模型采用CogVideoX-5B，生成分辨率为1360×768、共161帧的视频。语言推理部分使用GPT-OSS-20B模型，图像编辑则使用Qwen-Image模型来生成引导视频生成的关键帧。

整个流程可以看作一个分步推理与生成的过程。首先，输入一个文本描述，例如“蜂蜜倒入杯中”。模型的第一步是理解文本并识别其中隐含的物理规律，比如判断这属于流体力学范畴，涉及体积变化和连续流动等特性。随后，系统会从知识库中检索与此过程对应的物理公式，为后续生成提供理论约束。

接下来是关键一步：构建事件链。研究通过PECR模块，将完整的物理过程拆解为多个连续、因果关联的子事件。以“蜂蜜倒入杯中”为例，它可能被分解为：开始倾倒、蜂蜜流柱接触杯口、液体在杯底堆积、液面逐渐上升等阶段。每个事件不仅包含语义描述，还包含了物理参数（如高度、体积变化）和场景关系（如物体的空间位置）。这样，一个连续的过程就被转化为了一个结构清晰、离散的事件序列。

事件链构建好后，便进入提示生成阶段。模型会为每个事件生成对应的文本描述，再将这些描述整合成一个连贯的、带有“首先…然后…最后…”等逻辑连接词的完整提示。这确保了事件之间的顺序关系在语义层面就被锁定。

随后是视觉化阶段，即生成关键帧。针对事件链中的每一个关键节点，模型会生成一张对应的图像，并通过图像编辑技术，依据物理参数（如液体高度增加量）对画面进行可控的、渐进式的修改。这种方式避免了从零开始的完全随机生成，使得视觉变化更加平滑、稳定，且符合物理预期。

最后，系统在相邻的关键帧之间插入中间帧，通过插值形成流畅的过渡，再将整个序列输入扩散模型，生成最终的连贯视频。

在对比实验中，所有方法均在相同的文本输入、数据集和评价指标下进行，确保了公平性。对比对象既包括Kling、Gen-3这类通用视频生成模型，也涵盖了DiffPhy、PhysHPO等专注于物理合理性的增强模型。

从生成画面，到模拟现实

这项研究的意义，或许可以从一个根本性的转变来理解。过去的视频生成更像是在“拼凑画面”，模型的目标是让最终结果看起来逼真。但只要仔细观察过程，就常会发现反常识的细节：液体不连续、运动无因果、变化突兀。其根源在于，模型缺乏对因果关系、时间逻辑和物理规律的内在理解，导致视频“形似”而“神不似”。

新方法带来的改变，是将视频生成从“画面合成”问题，转向“过程建模”问题。它不再试图从文本直接映射到图像序列，而是先构建一条蕴含因果关系的事件链，再基于这条逻辑链去生成视频。这意味着模型不再仅仅输出一个“结果”，而是在结构上被迫去“经历”整个过程，自然地将时间顺序和前后逻辑嵌入到生成中，使得视频的动态更贴近现实世界的演化方式。

这种能力提升源于三方面的结合：一是物理约束能力，通过引入公式让变化不再随意；二是因果结构建模能力，通过事件链明确每一步该如何发生；三是视觉锚点能力，通过关键帧约束使中间过程变化更连续稳定。三者协同，推动模型从“生成看起来合理的结果”迈向“模拟真实发生的过程”。

这项进展的影响将是广泛而直接的。对于普通用户，未来在短视频创作时，只需输入简单描述，就能获得过程更真实、更连贯的动态内容，违和感大大降低。在教育领域，复杂的物理过程（如流体动力学、光路传播）得以直观可视化，让抽象概念变得可感可知。在游戏与虚拟现实中，环境交互将更加符合物理规律，提升沉浸感。甚至在自动驾驶模拟、机器人训练中，更真实的物理模拟能力也能帮助智能体更好地理解与适应现实环境。

从更宏观的视角看，这项研究将视频生成从一项纯粹的视觉任务，提升为一个物理过程建模问题，为构建真正理解现实世界的智能系统奠定了基础。

当然，研究团队也坦诚指出了当前方法的局限：在面对多个物理规律交织作用的极端复杂场景时（例如牛顿摆与水爆炸同时发生），模型仍会失效。这说明在组合物理推理方面，仍有很长的路要走，而这恰恰为未来的研究指明了清晰的方向。

研究者简介

本论文的通讯作者雷印杰，现任四川大学教授、博士生导师，并入选国家级青年人才项目，长期深耕人工智能领域。

雷印杰教授拥有系统的学术背景：他于2006年、2009年及2013年，分别在西南交通大学获得学士学位、在四川大学获得硕士学位、在澳大利亚西澳大学获得博士学位。2013年12月，他进入四川大学电子信息学院从事教学与科研工作，并于2017年9月起担任学院副院长。此外，他还入选四川省特聘专家、四川省学术和技术带头人后备人选，并获得四川杰出青年科学基金支持。

研究方向方面，雷印杰教授主要聚焦于人工智能、计算机视觉及多模态理解。他长期主持并参与多项国家级科研项目及企业合作项目，致力于推动学术研究与工程应用的有机结合。