Physics-IQ 验证

arXiv 2026 67.4 benchmark, method

TLDR

审计并改进Physics-IQ基准，用于评估视频生成模型的物理理解，优化提示和评分。

评分理由

Strengths: Systematic audit with concrete improvements (57.6% sample refinement) and empirical comparison across six models. Weaknesses: Limited to image-to-video models; no new real-world data collection, only benchmark refinement.

Read-first 评分解释

综合优先阅读分 67.4，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 35。

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%

94.3

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：0.94337365

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、指标、结果

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：有；数据：无；命中信号：代码、GitHub

主题相关性 29%

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

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复现锚点

排序敏感性

稳定性：volatile；排名波动范围：460。

关键词评分

video world model

world model

generative world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

改进提示和真实数据质量以减少混淆因素的影响
引入样本级评分系统，对每个样本和指标等权重

方法

作者对Physics-IQ基准进行了系统审计，揭示了缺陷并提出了三种解决方案。他们改进了57.6%的样本和34.8%的提示。使用六个图像到视频生成模型进行了比较研究，以评估改进后的基准。

关键结果

改进后的基准Physics-IQ Verified在六个图像到视频模型之间显示出中等但有意义的排名变化，Kendall's τ = 0.46。

技术栈

Python

资源

论文代码