PhyGround：生成式世界模型中的物理推理基准测试

arXiv 2026 59.6 benchmark

TLDR

PhyGround通过250个提示、13条物理定律和大规模人类研究，对生成式世界模型中的物理推理进行基准测试。

评分理由

The paper's strength lies in its rigorous benchmark design with per-law diagnostics and a large-scale, quality-controlled human study (459 annotators, high split-half reliability). Weaknesses include potential limited coverage of physical laws and lack of explicit discussion on generalizability beyond the selected laws.

Read-first 评分解释

综合优先阅读分 59.6，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 46。

近期性 6%

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

引用影响力 18%

75.1

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.75132085

方法质量 18%

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：基准、评估、实验

主题相关性 29%

65.7

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 18%

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：检查点、代码、GitHub

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：337。

关键词评分

world model

generative world model

video world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

基于标准基准，包含250个精心设计的提示，每个提示附带预期物理结果
涵盖固体力学、流体动力学和光学的13条物理定律分类体系，通过可观察的子问题实现逐定律诊断
基于社会科学实验设计的大规模质量控制人类研究，涉及459名标注员、5796份完整标注和超过3.74万条细粒度标签
开源物理专用VLM裁判PhyJudge-9B，其聚合相对偏差（3.3%）显著低于Gemini-3.1-Pro（16.6%）

方法

PhyGround包含250个精心设计的提示，每个提示附带预期物理结果，以及涵盖固体力学、流体动力学和光学的13条物理定律分类体系，通过可观察的子问题实现逐定律诊断。通过大规模人类研究评估了8个现代视频生成模型，涉及459名标注员提供5796份完整标注和超过3.74万条细粒度标签，经质量控制后得到高折半模型排名相关性（Spearman's rho > 0.90）。同时发布了开源物理专用VLM裁判PhyJudge-9B，用于可复现的自动评估。

关键结果

质量控制后的人类标注展现出高折半模型排名相关性（Spearman's rho > 0.90）。PhyJudge-9B的聚合相对偏差（3.3%）显著低于Gemini-3.1-Pro（16.6%）。

技术栈

Video generation modelsVLMHuman annotation

资源

论文