arXiv · cs.AI· Parsa Esmati, Somjit Nath, Katja Hofmann, Derek Nowrouzezahrai, Samira Ebrahimi Kahou, Majid Mirmehdi·· 5 小时前
视频扩散模型内部能否隐含物理结构：物理合理性线性解码研究
The Invisible Hand of Physics: When Video Diffusion Models Know More Than They Show
arXiv:2606.05328v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Parsa Esmati, Somjit Nath, Katja Hofmann, Derek Nowrouzezahrai, Samira Ebrahimi Kahou, Majid Mirmehdi
研究任务与主要进展
视频扩散模型可能在其去噪Transformer内部编码物理结构，而不只是复现训练数据中的运动模式。基于论文摘要，研究者沿真实视频对应的反向扩散轨迹提取中间状态和注意力图，发现物理合理性可从扩散Transformer状态中线性解码，在IntPhys和InfLevel上平均准确率约81.27%，并超过V-JEPA和VideoMAE等专用表征学习基线；该信号未出现在VAE latent输入中。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org