Newsroom

西湖数智发布 StrucPhysVideo：Physics-IQ 评测取得 45.5 分

2026年9月16日成果发布

西湖数智（Awomo）发布视频世界模型系列 StrucPhysVideo，将面向物理过程的数据构建与语言、动作条件预测相结合，学习物理场景的动态演化。

不止于视觉真实，更关注物理演化

物体发生碰撞后会如何运动？水流遇到障碍后会流向哪里？失去支撑的物体又会怎样影响周围环境？这些问题要求模型不仅识别眼前的场景，还要根据物体状态、接触关系与环境约束，预测后续变化。

Physics-IQ 围绕这一能力展开评测。它以真实拍摄的物理实验为参照，覆盖固体力学、流体、光学、磁学和热力学等现象，比较生成视频与真实物理过程的差异。画面清晰、运动流畅，并不意味着物理过程正确；评测关注的是模型能否合理呈现物理场景的动态演化。

StrucPhysVideo 在本次评测中取得 45.5 分，在所比较的模型中位居首位，超过 64B 参数模型 Cosmos3-Super-Image2Video 的 42.7 分。

评测说明：对比范围为文本与图像条件视频生成设置。除本研究团队复现的结果外，其他对比模型成绩均取自2026 年 9 月 16 日的基准快照。

StrucPhysVideo 的核心方法之一是结构化物理监督。其数据处理流程结合运动感知视频切分、质量过滤与物理相关性核验，筛选适用于物理动态学习的视频片段。结构化文本描述进一步区分相机运动与物体行为，刻画接触、形变和状态转换的时序过程，为训练提供基于可观测物理事件的监督信号。

文本与图像条件视频生成模型采用 30B-A3B 稀疏混合专家（MoE）架构，激活参数为 3B。训练在保留通用视频数据的同时，逐步强化对物理动态的学习。不同模型骨干上的描述方式对比实验，进一步验证了物理导向监督的有效性。

在视频生成之外，StrucPhysVideo 进一步探索根据机器人末端执行器指令预测后续视觉状态。通过动作条件注入、因果自回归生成与少步蒸馏，模型能够以四步去噪逐段生成机器人交互预测视频，将预测问题从“接下来会发生什么”拓展为“执行特定动作后会产生什么结果”。

这项研究为连接物理预测、动作规划与闭环执行提供了基础。后续，西湖数智将进一步探索候选动作的结果预测与执行反馈相结合的闭环流程，并通过真实设备上的推理时延、资源占用及任务表现，验证其应用价值。