AnswersPublished14 sources
CASIAs PhiZero lærer en «fysisk språkmodell» før den lager video
PhiZero følger en «tenk først, gjengi etterpå» modell som forutsier endringer i en scene før den lager videoen. Et overgangsbasert Q Former og FSQ tokeniseringssystem skal prioritere bevegelse og samspill fremfor teksturer, lys og bakgrunner.
Publisert avRedigert med GPT-5.6 LunaBilder generert med GPT Image 1.5
Research answer
Key takeaways
- PhiZero følger en «tenk først, gjengi etterpå» modell som forutsier endringer i en scene før den lager videoen.
- Et overgangsbasert Q Former og FSQ tokeniseringssystem skal prioritere bevegelse og samspill fremfor teksturer, lys og bakgrunner.
- I et eksempel representeres et videoklipp på rundt fire sekunder med 256 diskrete symboler, mot 44 800 kontinuerlige visuelle tokens i Wan2.2 VAE – omtrent 175 ganger færre tokens.
- Resultatet peker mot mer kompakte verdensmodeller for robotikk og simulering, men symbolene er ikke nødvendigvis tolkbare fysiske størrelser.
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, utviklet av forskere ved Institutt for automatisering under Det kinesiske vitenskapsakademiet (CASIA), er en verdensmodell bygget rundt en lært, diskret representasjon kalt «fysisk språk». I stedet for å forutsi hvert fremtidig videobilde direkte i et tett visuelt rom, prøver modellen først å beregne hvordan verdens tilstand endrer seg – og gjengir deretter endringene som video. 1
2
Det skal motvirke en kjent svakhet ved pikselbasert videoprediksjon: Utseende og dynamikk kan bli blandet sammen. En modell kan lage overbevisende teksturer, lysforhold og bakgrunner, men likevel bomme på den underliggende bevegelsen eller samspillet mellom objekter. PhiZero gjør dynamikken til selve hovedoppgaven og behandler utseendet som en separat betingelse for gjengivelsen. 1
2
Først forstå, så gjengi
PhiZero følger en såkalt reason-then-render-prosess – på norsk omtrent «tenk først, gjengi etterpå»:
- Modellen starter med det første bildet og en handling eller intensjon.
- Den forutsier en kort sekvens med diskrete tokens som representerer fremtidige tilstandsendringer.
- Tokenene kombineres med det første bildet og sendes til en videodekoder.
- Dekoderen gjengir den beregnede utviklingen som fremtidige videobilder.
«Fysisk språk» betyr ikke vanlige ord eller setninger som mennesker kan lese. Det er et sett med lærte symboler der mønstre representerer endringer i en scene – for eksempel bevegelse og interaksjon – i stedet for bare å beskrive hvordan hvert bilde ser ut. Representasjonen læres gjennom selvveiledet trening på video fra virkelige situasjoner. 1
2
3
En enkel oppsummering av arkitekturen er:
Første bilde = hvordan scenen ser ut; fysisk-språk-tokens = hvordan den endrer seg; dekoder = hvordan endringen gjengis.
Slik skilles endring fra utseende
1. Overgangsbasert Q-Former
Tokenisereren behandler videoens tidsmessige utvikling, i stedet for å se på hvert fremtidig bilde som et uavhengig visuelt mål. Den spørringsbaserte flaskehalsen trekker ut et kompakt sett med trekk på overgangsnivå. Dermed konsentreres representasjonen om hvordan scenen utvikler seg, ikke om alle visuelle detaljer. 1
Dette er et viktig skille fra en vanlig videokodek. Målet er å fange forskjellen mellom tilstander, ikke å gjenta statisk informasjon som overflatetekstur eller bakgrunn i hvert eneste bilde.
2. Finitt skalar kvantisering
De kontinuerlige trekkene fra overgangen sendes gjennom finite scalar quantization, eller FSQ. Prosessen gjør dem om til diskrete indekser – et begrenset «ordforråd» som utgjør PhiZeros fysiske språk. 1
2
Fordi resultatet er diskret, kan en språkmodell-lignende resonnerer forutsi sekvensen autoregressivt, altså symbol for symbol. Modellen trenger dermed å sette sammen en kort bane av overgangstokens, i stedet for å forutsi en langt lengre strøm av visuelle latent-tokens.
Begrepet «språk» beskriver først og fremst funksjonen til representasjonen: Den gir modellen en kompakt sekvens den kan resonnere over. Det betyr ikke at hvert token kan tolkes som et menneskelesbart begrep som «tyngdekraft» eller «sving til venstre».
3. Diffusjonsdekoder som bruker det første bildet
Dekoderen får det rene første bildet som en høyfrekvent visuell referanse. Sekvensen med fysisk-språk-tokens forteller hva som skal endre seg etter dette bildet, mens dekoderen rekonstruerer detaljene som trengs for å lage den ferdige videoen. 2
Dette gir systemet en tydelig arbeidsdeling. Overgangstokenene trenger ikke bruke den begrensede kapasiteten sin på å kode inn hver eneste tekstur, lyssetting, identitetsdetalj eller bakgrunn. Det første bildet gir allerede mye av denne visuelle konteksten.
Den rapporterte treningen bruker også en oppvarmingsfase med ren støy. Hensikten er å hindre dekoderen i å støtte seg på delvis tilgjengelig informasjon fra fremtidige bilder mens den lærer rekonstruksjonen. I stedet må den basere seg på det første bildet og den fysiske språksekvensen. 2
Omtrent 175 ganger færre tokens
For et videoklipp på rundt fire sekunder og 33 bilder rapporterer artikkelen en representasjon med 256 diskrete fysisk-språk-tokens fra et ordforråd på omtrent 25 000 mulige symboler. Til sammenligning bruker Wan2.2 VAE-representasjonen 44 800 kontinuerlige visuelle tokens. I dette eksempelet reduseres altså sekvenslengden med omtrent 175 ganger, samtidig som rekonstruksjonskvaliteten beskrives som konkurransedyktig. 1
Tallet må likevel tolkes med en viss forsiktighet. Sammenligningen gjelder antallet representasjonstokens – ikke nødvendigvis lagringsplass i bit, minnebruk, forsinkelse eller den totale kostnaden ved kjøring. PhiZero trenger fortsatt en omfattende diffusjons- eller flow-matching-dekoder, samt et første bilde for å gjengi klippet. Den sterkeste påstanden handler derfor om komprimering av representasjon og resonnering, ikke om en garantert 175-gangers økning i hastighet eller tilsvarende reduksjon i maskinvarekostnader. 1
2
Hvorfor dette kan bli viktig for verdensmodeller
Robotikk og fysisk kunstig intelligens
Et system med en kropp – for eksempel en robot – kan bruke en kompakt overgangssekvens til å forutsi konsekvensene av en handling før det lager en detaljert visuell prognose. Det kan gjøre handlingsstyrt simulering og planlegging enklere å strukturere, særlig når den samme dynamikken skal fungere på tvers av ulike visuelle stiler. Prosjektet beskriver blant annet interaktive verdensmodeller, handlingsstyrt simulering og overføring av bevegelser som bruksområder. 2
4
Det betyr ikke at en robot automatisk får en komplett fysisk teori. Den mulige fordelen er mer avgrenset: Modellen får et mellomliggende mål – å representere og sette sammen sannsynlige endringer i verden før den bruker beregningskraft på visuelle detaljer.
Selvkjørende systemer
Det samme skillet kan være relevant i trafikksituasjoner. Det viktigste kan være å forutsi hvordan fotgjengere, biler og andre trafikanter utvikler seg over tid – om de bremser, flytter seg, viker eller samhandler – snarere enn den nøyaktige teksturen i veien eller lysforholdene i kamerabildet.
Dette er en mulig arkitektonisk konsekvens, ikke dokumentasjon på at PhiZero er klar for sikkerhetskritisk kjøring. En videogenerering kan se sammenhengende ut og likevel inneholde en feil bevegelsesbane. De lærte tokenene er heller ikke i seg selv tolkbare eller verifiserbare fysiske tilstandsvariabler.
Mer som et program enn en videokodek
Tradisjonelle visuelle representasjoner minner om komprimerte videostrømmer: De bevarer nok informasjon til å rekonstruere bilder. PhiZero sikter i stedet mot noe som ligner et kompakt program for en bevegelsesbane. Den fysiske språksekvensen er mellomleddet en syns- og språkmodell forutsier, før dekoderen gjør den abstrakte banen om til piksler. 1
2
4
Dette kan gjøre resonnering i verdensmodeller mer sammensettbar. Et system kan i prinsippet manipulere, sammenligne eller overføre mønstre for tilstandsendringer uten først å måtte gjenskape alle visuelle detaljer. Om fordelen holder på tvers av oppgaver, avhenger av hvor godt den lærte representasjonen bevarer dynamikken som faktisk betyr noe.
Hva PhiZero viser – og ikke viser
PhiZero er et konkret forslag til hvordan dynamikk kan bli en tydelig flaskehals i en verdensmodell: Lær diskrete representasjoner av overganger, forutsi dem ut fra en innledende scene og en intensjon, og gjengi resultatet etterpå. Sammenligningen mellom 256 og 44 800 tokens illustrerer hvorfor denne abstraksjonen er interessant. 1
Metoden beviser imidlertid ikke at fysisk forståelse er løst. Ordforrådet kan fange nyttige regelmessigheter uten å samsvare rent med fysiske variabler, og et visuelt overbevisende resultat er ikke nødvendigvis et korrekt verdensbilde.
Den mest nøkterne konklusjonen er derfor at PhiZero presenterer en lovende forskningsarkitektur for å skille mellom hva en scene er, og hvordan den endrer seg.
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 "CASIAs PhiZero lærer en «fysisk språkmodell» før den lager video"?
PhiZero følger en «tenk først, gjengi etterpå» modell som forutsier endringer i en scene før den lager videoen.
What are the key points to validate first?
PhiZero følger en «tenk først, gjengi etterpå» modell som forutsier endringer i en scene før den lager videoen. Et overgangsbasert Q Former og FSQ tokeniseringssystem skal prioritere bevegelse og samspill fremfor teksturer, lys og bakgrunner.
What should I do next in practice?
I et eksempel representeres et videoklipp på rundt fire sekunder med 256 diskrete symboler, mot 44 800 kontinuerlige visuelle tokens i Wan2.2 VAE – omtrent 175 ganger færre tokens.