在当前的大模型浪潮中，视频生成模型常常被视为通往具身智能的未来模拟器。然而，主流模型多采用像素空间的直接预测，容易在物理规律的稳定性和连贯性上出现偏差。针对这一行业痛点，研究团队近日正式推出了全新的物理世界模型
在技术实现上，该系统分为分词器与推理器两大核心模块。其中，物理语言分词器利用转移级 Q-Former 捕获相邻状态变化，并结合有限标量量化机制生成紧凑的离散符号;扩散解码器则以首帧和离散符号为条件，恢复出细腻的视觉细节。而物理语言推理器则基于预训练视觉语言模型进行初始化，从首帧和文本动作意图出发，精准预测未来的物理语言序列。
多项基准测试结果表明，
随着具身智能与机器人技术的加速落地，
发表评论取消回复