AnswersPublished14 sources
PhiZero Memisahkan Dinamik Fizik daripada Rupa Video
PhiZero menggunakan pendekatan “fikir dahulu, jana kemudian” dengan meramal perubahan keadaan dunia sebagai urutan token diskret sebelum menghasilkan video. Tokenizernya direka untuk mengekod peralihan dan dinamik, bukan mengulang maklumat visual seperti tekstur, pencahayaan dan latar.
Diterbitkan olehDisunting dengan GPT-5.6 LunaImej dijana dengan GPT Image 1.5
Research answer
Key takeaways
- PhiZero menggunakan pendekatan “fikir dahulu, jana kemudian” dengan meramal perubahan keadaan dunia sebagai urutan token diskret sebelum menghasilkan video.
- Tokenizernya direka untuk mengekod peralihan dan dinamik, bukan mengulang maklumat visual seperti tekstur, pencahayaan dan latar.
- Dalam contoh klip sekitar empat saat, 33 bingkai diwakili oleh 256 token berbanding 44,800 token visual berterusan Wan2.2 VAE—pengurangan panjang urutan kira kira 175 kali, bukan jaminan peningkatan kelajuan atau peng...
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, yang dicadangkan oleh penyelidik di Institut Automasi Akademi Sains China (CASIA), ialah model dunia yang dibina berasaskan perwakilan diskret dipelajari yang dipanggil bahasa fizik. Daripada meramal setiap bingkai masa depan secara langsung dalam ruang visual yang padat, model ini terlebih dahulu meramal bagaimana keadaan dunia berubah, kemudian menjadikan perubahan itu sebagai video. 1
2
Pembahagian tugas ini cuba menangani kelemahan utama ramalan dalam domain piksel: rupa dan dinamik boleh bercampur sehingga sukar dipisahkan. Sesebuah model mungkin menghasilkan tekstur, pencahayaan dan latar yang meyakinkan, tetapi masih tersilap meramal gerakan atau interaksi sebenar. Dalam reka bentuk PhiZero, dinamik menjadi masalah ramalan utama, manakala rupa dijadikan syarat berasingan untuk proses penjanaan. 1
2
Idea utama: fikir dahulu, jana kemudian
PhiZero mengikuti aliran kerja reason-then-render, atau “fikir dahulu, jana kemudian”:
- Model menerima bingkai pertama bersama tindakan atau niat yang dikehendaki.
- Ia meramal urutan pendek token diskret yang mewakili peralihan keadaan pada masa depan.
- Token tersebut, bersama-sama bingkai pertama, diberikan kepada penyahkod video.
- Penyahkod menghasilkan perkembangan yang diramal itu sebagai bingkai video masa depan.
Walaupun dipanggil “bahasa fizik”, token ini bukan perkataan biasa atau ayat yang boleh dibaca manusia. Ia ialah simbol yang dipelajari daripada video dunia sebenar melalui pembelajaran kendiri. Corak token itu bertujuan mengekod perubahan dalam sesuatu adegan—seperti pergerakan dan interaksi—bukan sekadar menerangkan rupa setiap bingkai. 1
2
3
Ringkasan mudah seni binanya ialah:
Bingkai pertama = rupa adegan; token bahasa fizik = cara adegan berubah; penyahkod = cara perubahan itu dipaparkan.
Bagaimana tokenizer memisahkan perubahan daripada rupa
1. Q-Former pada tahap peralihan
Tokenizer memproses evolusi masa dalam video, bukannya menganggap setiap bingkai keluaran sebagai sasaran visual yang berdiri sendiri. Corong berasaskan pertanyaan atau query ini mengekstrak beberapa ciri padat pada tahap peralihan, lalu menumpukan perwakilan kepada perubahan keadaan dan bukannya setiap butiran visual. 1
Inilah perbezaan awal berbanding codec video konvensional: tokenizer cuba menangkap perbezaan antara satu keadaan dengan keadaan yang lain, bukan berulang kali membawa maklumat statik seperti tekstur permukaan atau rupa latar.
2. Kuantisasi skalar terhingga
Ciri peralihan yang asalnya berterusan kemudiannya melalui finite scalar quantization (FSQ), iaitu kuantisasi skalar terhingga. Proses ini menukarkannya kepada indeks diskret, lalu membentuk kosa kata terhingga yang digunakan sebagai bahasa fizik PhiZero. 1
2
Oleh sebab hasilnya berbentuk diskret, penaakulan ala model bahasa boleh meramal urutan tersebut secara autoregresif. Dengan itu, model menyusun trajektori pendek yang terdiri daripada token peralihan, dan bukannya meramal aliran token pendam visual yang jauh lebih panjang.
Istilah “bahasa” di sini merujuk kepada fungsi perwakilan itu sebagai urutan ringkas untuk penaakulan—bukan bermaksud tokennya boleh ditafsirkan secara terus. Sesuatu token tidak semestinya mewakili konsep yang boleh dibaca manusia seperti “graviti” atau “belok ke kiri”.
3. Penyahkod resapan yang bergantung pada bingkai pertama
Penyahkod PhiZero menerima bingkai pertama yang bersih sebagai keutamaan rupa berfrekuensi tinggi. Urutan bahasa fizik memberikan maklumat tentang perkara yang patut berubah selepas bingkai itu, manakala penyahkod membina semula butiran visual untuk menghasilkan video akhir. 2
Pembahagian ini memberi setiap komponen peranan yang lebih jelas. Token peralihan tidak perlu menggunakan kapasiti terhadnya untuk mengekod setiap tekstur, keadaan pencahayaan, ciri identiti atau butiran latar. Bingkai pertama sudah menyediakan sebahagian besar konteks visual tersebut.
Prosedur latihan yang dilaporkan turut menggunakan fasa pemanasan berasaskan hingar tulen. Tujuannya ialah menghalang penyahkod daripada bergantung pada maklumat bingkai masa depan yang masih tersedia sebahagiannya ketika belajar membina semula video. Sebaliknya, ia perlu menggunakan syarat bingkai pertama dan konteks bahasa fizik. 2
Keputusan pemampatan yang dilaporkan
Bagi klip sekitar empat saat dengan 33 bingkai, kertas kajian itu melaporkan perwakilan sebanyak 256 token bahasa fizik diskret daripada kosa kata kira-kira 25,000 simbol yang mungkin. Sebagai perbandingan, perwakilan Wan2.2 VAE menggunakan 44,800 token visual berterusan. Dalam contoh tersebut, PhiZero mengurangkan panjang urutan kira-kira 175 kali sambil mengekalkan kualiti pembinaan semula yang kompetitif. 1
Namun, angka ini perlu difahami dengan tepat. Perbandingan tersebut merujuk kepada bilangan token perwakilan, bukannya jumlah bit penyimpanan, penggunaan memori, kependaman atau kos inferens hujung ke hujung. PhiZero masih memerlukan penyahkod resapan atau padanan aliran yang besar, selain bingkai visual awal untuk menghasilkan klip. Dakwaan paling kukuh di sini ialah tentang pemampatan abstraksi dan penaakulan, bukan jaminan peningkatan kelajuan 175 kali atau pengurangan kos perkakasan pada kadar yang sama. 1
2
Mengapa reka bentuk ini penting untuk model dunia
Robotik dan AI berjasad
Sistem berjasad boleh menggunakan urutan peralihan yang padat untuk meramal akibat sesuatu tindakan sebelum menghasilkan ramalan visual terperinci. Ini berpotensi menjadikan simulasi bersyarat tindakan dan perancangan lebih mudah distrukturkan, khususnya apabila dinamik yang sama perlu dipindahkan merentasi gaya visual yang berbeza. Projek ini menyenaraikan pemodelan dunia interaktif, simulasi bersyarat tindakan dan pemindahan gerakan sebagai antara aplikasinya. 2
4
Manfaat yang mungkin bukanlah robot terus memperoleh teori fizik yang lengkap. Sebaliknya, model mempunyai sasaran perantaraan yang lebih terhad: mewakili dan menyusun perubahan yang munasabah dalam dunia sebelum membelanjakan pengiraan untuk butiran visual.
Kenderaan autonomi
Pemisahan yang sama boleh berguna dalam situasi pemanduan. Perkara penting mungkin ialah bagaimana pengguna jalan raya dan kenderaan berubah dari semasa ke semasa—membrek, bergerak, memberi laluan atau berinteraksi—bukannya tekstur jalan atau pencahayaan tepat dalam imej kamera.
Bagaimanapun, ini ialah implikasi seni bina, bukan bukti bahawa PhiZero sudah bersedia untuk pemanduan yang kritikal dari segi keselamatan. Video yang dijana boleh kelihatan koheren walaupun trajektorinya salah, manakala token yang dipelajari tidak semestinya boleh ditafsir atau disahkan sebagai pemboleh ubah keadaan fizik.
Abstraksi baharu untuk ramalan video
Perwakilan visual tradisional lebih menyerupai aliran video yang dimampatkan: ia mengekalkan maklumat yang mencukupi untuk membina semula bingkai. PhiZero pula menyasarkan sesuatu yang lebih hampir kepada program ringkas yang menerangkan trajektori. Urutan bahasa fizik menjadi objek perantaraan yang diramal oleh penaakulan berasaskan model bahasa penglihatan, sebelum penyahkod menukarkan trajektori abstrak itu kembali kepada piksel. 1
2
4
Perubahan ini berpotensi menjadikan penaakulan model dunia lebih mudah digabung dan digunakan semula. Sistem mungkin boleh memanipulasi, membandingkan atau memindahkan corak peralihan tanpa terlebih dahulu menjana semula setiap butiran visual. Sama ada kelebihan itu benar-benar meluas bergantung pada sejauh mana perwakilan yang dipelajari mengekalkan dinamik yang penting untuk setiap tugasan.
Apa yang ditunjukkan—dan tidak ditunjukkan—oleh PhiZero
PhiZero menawarkan cara konkrit untuk menjadikan dinamik sebagai titik tumpu dalam model dunia: pelajari perwakilan peralihan diskret, ramalkannya daripada adegan awal dan niat, kemudian jana hasilnya sebagai video. Perbandingan 256 token dengan 44,800 token menunjukkan mengapa abstraksi ini menarik. 1
Namun, pendekatan ini tidak membuktikan bahawa pemahaman fizik telah diselesaikan. Kosa kata yang dipelajari mungkin menangkap pola yang berguna tanpa dipadankan dengan jelas kepada pemboleh ubah fizik, dan kebolehpercayaan visual masih merupakan ukuran yang tidak sempurna untuk menentukan sama ada keadaan dunia yang diramal itu betul.
Kesimpulan yang paling wajar adalah lebih sederhana: PhiZero memperkenalkan seni bina penyelidikan yang menjanjikan untuk memisahkan apa yang terdapat dalam sesuatu adegan daripada bagaimana adegan itu berubah.
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 "PhiZero Memisahkan Dinamik Fizik daripada Rupa Video"?
PhiZero menggunakan pendekatan “fikir dahulu, jana kemudian” dengan meramal perubahan keadaan dunia sebagai urutan token diskret sebelum menghasilkan video.
What are the key points to validate first?
PhiZero menggunakan pendekatan “fikir dahulu, jana kemudian” dengan meramal perubahan keadaan dunia sebagai urutan token diskret sebelum menghasilkan video. Tokenizernya direka untuk mengekod peralihan dan dinamik, bukan mengulang maklumat visual seperti tekstur, pencahayaan dan latar.
What should I do next in practice?
Dalam contoh klip sekitar empat saat, 33 bingkai diwakili oleh 256 token berbanding 44,800 token visual berterusan Wan2.2 VAE—pengurangan panjang urutan kira kira 175 kali, bukan jaminan peningkatan kelajuan atau peng...