arXiv cs.AI· Shinseong Kim, Jaeseok Jeong, Jianlong Fu, Youngjung Uh·· 3 天前AI 评分31
世界模型需要物理注册表：为物理合理世界模型学习内部预测状态
World Models Need a Physical Registry: Learning Internal Predictive States for Physically Plausible World Models
AI 导读
研究者提出 Physical Registry，在视频 DiT 内部设置随时间演化的注册表槽位，由观测条件预测初始化、与视频 token 共同演化并接受未来表征监督，使预测动态成为生成器显式可读的状态。
正文 · AI 翻译
摘要：视频世界模型必须生成物理上合理的未来，而不仅仅是逼真的画面。现有方法通常使用语义、物理或预测信息来引导视觉生成流，这留下了一个根本性问题：对场景演化的预测应该位于生成器内部的何处？标准视频 token 联合编码外观与动态，但并未提供用于学习和读取预测动态的独立状态。我们以 Physical Registry 回答这一问题：视频 DiT 内部基于时间的 registry 槽位，其由观测条件化的预测初始化，与视频 token 共同演化，并接受未来表征监督，从而使预测动态成为生成器一个显式、可读取的状态。在 Physics-IQ Verified 上对预测状态接口进行的受控比较中，Physical Registry 在 I2V/V2V 上比普通微调提升了 9.9/8.7 分，是我们所比较的接口中提升最大的。在所有 Cosmos 和 WAN 主干网络上，Physical Registry 均提升了 Physics-IQ Verified 分数。仅增加 0.45% 的参数，就使 Cosmos 3 Nano 16B 超越了 Cosmos 3 Super 64B 已发表的 I2V 分数（43.56 对 42.7）。在 WorldModelBench 上，它还提升了全部四个被评估主干网络的物理符合度和总分。由于 registry 在保持可读取的同时变得候选特定，Physical Registry Selector (PRS) 可在完整去噪完成之前，根据新兴未来的中间 registry 读出与共享预测的偏离程度对其进行排序。在四个主干网络上，这种选择无需对完成视频进行外部评分，即可将 I2V 分数提升 5.6-15.9%。总之，这些结果支持一个更广泛的原则：动态预测应作为一种显式的模型状态，与视频表征共同演化。项目页面：this https URL
| Comments: | 36 页，26 幅图，14 张表。项目页面：this https URL |
| Subjects: | 人工智能 (cs.AI) |
| ACM classes: | I.2.10; I.4.8 |
| Cite as: | arXiv:2610.16365 [cs.AI] |
| （或 arXiv:2610.16365v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16365 由 DataCite 颁发的 arXiv DOI（待注册） |
Submission history
来自：Shin Seong Kim [查看电子邮件]
[v1]
2026年10月12日星期一 08:18:05 UTC (8,516 KB)
来源：arXiv cs.AI · arxiv.org