中山大学梁小丹团队在 CVPR 2026 发表 ProPhy 框架，通过引入语义级与空间级分层物理建模，并利用 VLM 进行监督，有效解决了视频生成模型视觉真实但物理逻辑缺失的问题。
📝 详细摘要
本文介绍了中山大学梁小丹团队在 CVPR 2026 发表的论文《ProPhy: Progressive Physical Alignment for Dynamic World Simulation》。针对当前视频生成模型「视觉逼真但物理违和」的痛点，ProPhy 提出了一种分层对齐方法：通过语义级物理模块（SEB）提取全局物理先验，并利用细粒度模块（REB）进行 token 级别的空间物理建模。该方法引入视觉语言模型（VLM）作为监督信号，弥补了生成模型在物理定位上的不足，显著提升了模型在碰撞、流体等复杂场景下的物理合理性与语义一致性，推动视频生成向动态世界模拟迈进。
💡 主要观点
- 视频生成模型面临「视觉真实但物理不可信」的瓶颈。 当前模型虽然在纹理和光影上表现出色，但在处理接触、受力、流动等动态物理过程时，往往缺乏因果逻辑，导致物体穿透或运动不连贯。
💬 文章金句
- 模型擅长生成看起来像真实世界的画面，却并不真正理解现实世界是如何运作的。
- 这项研究不再依赖单一层面的物理提示，而是通过分层建模和逐步对齐的方式，将物理信息从全局语义逐渐细化到局部空间。
- 研究团队引入视觉语言模型作为中介，将其在空间理解上的优势转化为生成模型的监督信号，从而弥补生成模型在物理定位能力上的不足。
📊 文章信息
AI 评分：88
来源：AI科技评论
作者：AI科技评论
分类：人工智能
语言：中文
阅读时间：23 分钟
字数：5627
标签： CVPR 2026, 视频生成, 物理模拟, ProPhy, 世界模型