在当下的大模型发展浪潮中，视频生成模型常被视作通向具身智能的重要“虚拟试验场”。但目前主流方法普遍依赖像素空间的端到端直接建模，往往难以保证生成内容在物理规律层面的稳定性与时间连贯性。为突破这一行业瓶颈，研究团队近期正式发布全新一代物理世界建模框架phizero。该框架不再依赖黑箱式预测，而是首次系统性地引入“物理语言”这一抽象表征机制，使ai在视频合成前完成可解释、可验证的显式物理推演。

其核心突破在于构建了一种名为“物理语言”的离散化动态表征体系。该体系通过自监督范式，从大规模真实场景视频数据中自动挖掘状态演化模式，提炼出跨视觉经验共有的动力学先验。依托该表征，模型采用“推理先行、渲染后置”的两阶段范式：首先在物理语言空间内以自回归方式规划未来状态序列，再由专用扩散解码器将符号序列精准映射为高保真视频帧。该解耦设计不仅实现了动力学建模与视觉合成的模块化分离，更显著增强了输出结果在物理合理性上的鲁棒性。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

从工程实现角度看，整个系统由分词器与推理器两大支柱模块构成。其中，物理语言分词器采用转移感知型Q-Former结构捕捉帧间状态跃迁，并借助有限标量量化策略生成紧凑、语义明确的离散token；扩散解码器则以初始图像和物理语言token为联合输入，逐帧还原丰富细腻的视觉细节。而物理语言推理器则基于预训练视觉语言模型进行参数初始化，结合首帧视觉信息与文本描述的动作指令，高效生成符合物理约束的未来状态符号序列。

在多项权威评测中，PhiZero展现出卓越性能，在Physics-IQ Verified、PhyGround及WorldModelBench等聚焦物理因果性与视频生成质量的基准测试中均位居榜首。无论是刚体碰撞导致的动量传递、重力作用下的柔性形变，还是多物体参与的级联动力学过程，模型均能生成高度符合现实物理直觉的动态响应。

随着具身智能与自主机器人技术加速走向实际部署，PhiZero的推出标志着世界建模正迈向“可控、可交互、可验证”的新阶段，有望在长周期环境模拟、跨任务运动迁移以及虚实融合训练等关键方向提供底层支撑能力。