AnswersPublished14 sources
CASIA’s PhiZero bruger et “fysisk sprog” til at forudsige dynamik før videogengivelsen
PhiZero følger princippet “først ræsonner, så gengiv”: Modellen forudsiger scenens udvikling som diskrete tokens, før den genererer fremtidige videobilleder. Det lærte “fysiske sprog” skal primært beskrive bevægelse og interaktion – ikke gentage teksturer, lysforhold og baggrunde.
Udgivet afRedigeret med GPT-5.6 LunaBilleder genereret med GPT Image 1.5
Research answer
Key takeaways
- PhiZero følger princippet “først ræsonner, så gengiv”: Modellen forudsiger scenens udvikling som diskrete tokens, før den genererer fremtidige videobilleder.
- Det lærte “fysiske sprog” skal primært beskrive bevægelse og interaktion – ikke gentage teksturer, lysforhold og baggrunde.
- I et eksempel repræsenteres et klip på cirka fire sekunder med 256 tokens mod 44.800 kontinuerte visuelle tokens i Wan2.2 VAE, svarende til omkring 175 gange kortere sekvenslængde.
- Resultatet kan få betydning for robotter, simulering og embodied AI, men tokens er ikke nødvendigvis fortolkelige fysiske størrelser, og PhiZero er fortsat et forskningsresultat.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is CASIA’s PhiZero world model, published in the August 21, 2026 arXiv paper “PhiZero: A World Model Built Around Physical Language,” h. Article summary: PhiZero is CASIA’s proposed “reason-then-render” world model: it first represents predicted world-state changes as a short sequence of learned discrete “physical-language” tokens, then renders those changes into video. I. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
PhiZero er en verdensmodel, som forskere fra Institute of Automation under Chinese Academy of Sciences (CASIA) har foreslået. Dens centrale idé er at lære et kompakt, diskret repræsentationssystem kaldet “physical language” – et fysisk sprog, der beskriver, hvordan verdens tilstand ændrer sig over tid. I stedet for at forudsige hvert fremtidigt videobillede direkte i et tæt visuelt rum forsøger modellen først at forudsige udviklingen og gengiver derefter resultatet som video. 1
2
Det adresserer en grundlæggende udfordring ved pixelbaserede verdensmodeller: Scenens udseende og dens fysiske dynamik kan blive blandet sammen. En model kan derfor skabe overbevisende teksturer, lys og baggrunde, samtidig med at bevægelsen eller samspillet mellem objekter er forkert. PhiZero gør i stedet dynamikken til det primære forudsigelsesproblem og behandler udseendet som en separat betingelse for gengivelsen. 1
2
Først ræsonnerer modellen – derefter gengiver den
PhiZero følger en reason-then-render-proces:
- Modellen tager udgangspunkt i det første billede samt en handling eller intention.
- Den forudsiger en kort sekvens af diskrete tokens, som repræsenterer fremtidige tilstandsskift.
- Tokensene gives sammen med det første billede til en videodekoder.
- Dekoderen gengiver den forudsagte udvikling som fremtidige videobilleder.
“Physical language” er ikke almindelige ord eller sætninger, som mennesker kan læse. Det er lærte symboler, hvis mønstre koder for ændringer i en scene – for eksempel bevægelse og interaktion – snarere end blot at beskrive, hvordan hvert enkelt billede ser ud. Repræsentationen læres gennem selv-supervision på videoer fra virkelighedens verden. 1
2
3
En enkel måde at se arkitekturen på er:
Første billede = hvordan scenen ser ud. Fysiske tokens = hvordan den ændrer sig. Dekoder = hvordan ændringen gengives.
Sådan adskilles forandring fra udseende
1. En Q-Former på overgangsniveau
Tokenizerens første del behandler videoens tidslige udvikling i stedet for at behandle hvert outputbillede som et selvstændigt visuelt mål. En forespørgselsbaseret flaskehals, en såkaldt transition-level Q-Former, udtrækker et kompakt sæt funktioner på overgangsniveau. Fokus flyttes dermed fra alle visuelle detaljer til scenens udvikling fra én tilstand til den næste. 1
Det adskiller metoden fra en konventionel videokomprimering, hvor repræsentationen først og fremmest skal bevare nok information til at genskabe billederne. PhiZero forsøger i højere grad at beskrive forskellen mellem tilstande uden igen og igen at medtage statiske oplysninger som overfladetekstur eller baggrund.
2. Finite scalar quantization
De kontinuerte overgangsfunktioner sendes derefter gennem finite scalar quantization (FSQ). Denne proces omsætter dem til diskrete indeks og skaber det begrænsede symbolforråd, som udgør PhiZeros fysiske sprog. 1
2
Fordi resultatet er diskret, kan en ræsonneringsmodel af sprogm kommunikere-type forudsige sekvensen autoregressivt – token for token. Modellen skal dermed sammensætte en kort bane af overgangstokens i stedet for at forudsige en langt længere strøm af visuelle latente tokens.
Ordet “sprog” beskriver repræsentationens rolle: Det er en kompakt sekvens, som modellen kan ræsonnere over. Det betyder ikke, at hvert token kan fortolkes som et menneskeligt begreb som “tyngdekraft” eller “drej til venstre”.
3. Diffusionsdekoderen genbruger det første billede
PhiZeros dekoder modtager det rene første billede som en højfrekvent visuel prioritering. Det fysiske sprog beskriver, hvad der skal ændre sig efter dette billede, mens dekoderen rekonstruerer de visuelle detaljer, der skal til for at skabe den færdige video. 2
Det giver systemet en klar arbejdsdeling. Overgangstokensene behøver ikke bruge deres begrænsede kapacitet på at kode alle teksturer, lysforhold, identitetsmarkører eller baggrundsdetaljer. En stor del af den visuelle kontekst kommer direkte fra det første billede.
Den beskrevne træning anvender også en opvarmningsfase med ren støj, så dekoderen ikke kan læne sig op ad delvist tilgængelig information fra fremtidige billeder under rekonstruktionen. Den skal i stedet bruge betingelsen fra det første billede sammen med konteksten fra det fysiske sprog. 2
175 gange færre tokens – men ikke nødvendigvis 175 gange hurtigere
For et klip på cirka fire sekunder og 33 billeder rapporterer artiklen en repræsentation på 256 diskrete tokens fra et ordforråd på omkring 25.000 mulige symboler. Til sammenligning bruger Wan2.2 VAE-repræsentationen 44.800 kontinuerte visuelle tokens. I dette eksempel reducerer PhiZero altså sekvenslængden med omkring 175 gange, samtidig med at rekonstruktionskvaliteten ifølge rapporten er konkurrencedygtig. 1
Tallet skal dog læses med en vigtig reservation. Sammenligningen handler om antallet af repræsentationstokens – ikke om samlet lagerplads i bits, hukommelsesforbrug, latenstid eller den fulde beregningspris ved inferens. PhiZero er fortsat afhængig af en omfattende diffusions- eller flow-matching-dekoder og har brug for et første visuelt billede for at gengive klippet. Det stærkeste resultat er derfor en komprimering af repræsentationen og ræsonneringen, ikke et løfte om 175 gange lavere hardwareomkostninger eller 175 gange højere hastighed. 1
2
Hvorfor det kan få betydning for verdensmodeller
Robotter og embodied AI
Et fysisk system kan potentielt bruge en kompakt overgangssekvens til at forudsige konsekvenserne af en handling, før der bruges beregningskraft på en detaljeret visuel prognose. Det kan gøre handlingsbetinget simulering og planlægning lettere at strukturere – især når de samme dynamikker skal kunne overføres mellem forskellige visuelle stilarter. Projektet beskriver blandt andet interaktiv verdensmodellering, handlingsbetinget simulering og overførsel af bevægelse som anvendelser. 2
4
Det betyder ikke, at en robot automatisk får en fuldstændig fysisk teori. Den mere begrænsede ambition er at repræsentere og sammensætte plausible ændringer i verden, før systemet bruger ressourcer på de visuelle detaljer.
Autonom kørsel
Den samme adskillelse kan være relevant i trafiksituationer, hvor det vigtigste ofte er, hvordan trafikanter og køretøjer udvikler sig over tid: om en bil bremser, en fodgænger krydser vejen, eller to aktører viger for hinanden. Den præcise vejtekstur eller belysning i kamerabilledet er ikke nødvendigvis det centrale.
Det er dog en arkitektonisk mulighed – ikke dokumentation for, at PhiZero er klar til sikkerhedskritisk kørsel. En videogengivelse kan se sammenhængende ud, selv om den underliggende bane er forkert, og de lærte tokens er hverken automatisk fortolkelige eller verificerbare fysiske tilstandsvariable.
Fra videocodec til et kompakt program
Traditionelle visuelle repræsentationer minder på mange måder om komprimerede videostrømme: De skal bevare tilstrækkelig information til at genskabe billeder. PhiZero sigter i stedet mod noget, der minder mere om et kompakt program for en bane. Sekvensen af fysiske tokens er det mellemliggende objekt, som en vision-language-model forudsiger, mens dekoderen omsætter den abstrakte udvikling til pixels. 1
2
4
Det kan gøre ræsonnering i verdensmodeller mere sammensættelig. Et system kan i princippet manipulere, sammenligne eller overføre mønstre for overgange uden først at skulle genskabe alle visuelle detaljer. Om fordelen holder på tværs af opgaver, afhænger dog af, hvor godt den lærte repræsentation bevarer netop de dynamikker, der er vigtige i den konkrete opgave.
Hvad PhiZero viser – og hvad modellen ikke viser
PhiZero tilbyder en konkret arkitektur, hvor dynamik bliver en tydelig flaskehals: Modellen lærer diskrete repræsentationer af overgange, forudsiger dem ud fra en indledende scene og en intention og gengiver først derefter resultatet. Sammenligningen mellem 256 og 44.800 tokens illustrerer, hvorfor denne abstraktion er interessant. 1
Tilgangen beviser dog ikke, at fysisk forståelse er løst. Ordforrådet kan opfange nyttige regelmæssigheder uden at svare rent til fysiske variable, og visuel plausibilitet er en ufuldstændig test af, om den forudsagte verdens tilstand faktisk er korrekt.
Den mest nøgterne konklusion er derfor, at PhiZero præsenterer en lovende forskningsarkitektur til at adskille hvad en scene er, fra hvordan den ændrer sig.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "CASIA’s PhiZero bruger et “fysisk sprog” til at forudsige dynamik før videogengivelsen"?
PhiZero følger princippet “først ræsonner, så gengiv”: Modellen forudsiger scenens udvikling som diskrete tokens, før den genererer fremtidige videobilleder.
What are the key points to validate first?
PhiZero følger princippet “først ræsonner, så gengiv”: Modellen forudsiger scenens udvikling som diskrete tokens, før den genererer fremtidige videobilleder. Det lærte “fysiske sprog” skal primært beskrive bevægelse og interaktion – ikke gentage teksturer, lysforhold og baggrunde.
What should I do next in practice?
I et eksempel repræsenteres et klip på cirka fire sekunder med 256 tokens mod 44.800 kontinuerte visuelle tokens i Wan2.2 VAE, svarende til omkring 175 gange kortere sekvenslængde.