视频世界模型中的物理解读

arXiv 26.2 2026 51.9 method

TLDR

视频世界模型的可解释性研究揭示了物理变量可访问的物理涌现区，方向通过圆形几何编码。

评分理由

Strengths: Novel interpretability approach identifying a sharp transition layer and geometric encoding of direction. Weaknesses: Limited to encoder-based video transformers; no discussion of generative or interactive capabilities.

Read-first 评分解释

综合优先阅读分 51.9，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 32。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：消融、基准

主题相关性 42%

45.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：430。

关键词评分

video world model

world model

world dynamics prediction

generative world model

world simulator

model-based reinforcement learning world model

interactive world model

深度分析

创新点

首个直接检查大规模视频编码器内部物理表示的可解释性研究
识别出物理变量变得可访问的尖锐中间深度过渡（物理涌现区）
发现标量量（速度、加速度）从早期层即可获得，而运动方向仅在物理涌现区才变得可访问
发现方向通过具有圆形几何的高维群体结构编码，需要协调的多特征干预才能控制

方法

该研究使用逐层探测、子空间几何、补丁级解码和定向注意力消融来刻画基于编码器的视频变换器中物理信息的位置和组织方式。它跨架构检查表示，并将运动分解为显式变量（速度、加速度、方向），以探测它们在不同层的可访问性。

关键结果

物理变量在中间深度过渡（物理涌现区）变得可访问，标量量从早期层即可获得，而运动方向仅在该区域涌现；方向通过分布式的高维群体结构（具有圆形几何）编码，而非分解表示。

资源

论文