PhysiFormer：学习在世界空间中模拟力学

arXiv 2026 56.6 method

TLDR

PhysiFormer利用世界坐标下的扩散变换器模拟物理合理的3D物体运动，优于自回归基线。

评分理由

Strengths: novel coordinate-space diffusion approach, no inductive biases, factorized attention, strong results on simulated data. Weaknesses: limited to simulated training, no real-world validation, unclear scalability to complex scenes.

Read-first 评分解释

综合优先阅读分 56.6，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 37。

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%

93.4

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：0.93379114

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：基线、结果

主题相关性 29%

52.9

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：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

排序敏感性

稳定性：volatile；排名波动范围：400。

关键词评分

world model

generative world model

world dynamics prediction

world simulator

video world model

interactive world model

model-based reinforcement learning world model

深度分析

创新点

将顶点轨迹预测直接作为世界坐标中的单一去噪扩散过程，无需显式的归纳偏置如刚性和因果性
注意力在时间、空间和物体上分解，实现高效且置换不变的多物体推理
概率公式捕捉学习动力学中的不确定性，实现多样化的合理未来

方法

PhysiFormer是一种扩散变换器，以初始顶点位置、速度和物体材料类型（刚性或弹性）为输入，通过世界坐标中的去噪扩散过程采样未来顶点轨迹。它使用在时间、空间和物体上分解的注意力以实现高效且置换不变的多物体推理。该模型在超过10万条模拟轨迹上训练。

关键结果

PhysiFormer在轨迹精度、刚性保持和基于动量的物理一致性方面显著优于自回归基线，并泛化到混合材料设置、未见过的真实世界几何形状以及更大的物体数量。

资源

论文