视频基础模型直觉物理表征能力比较

Samuele Punzo 等研究者比较了 V-JEPA、VideoMAE 和 LTX-Video 三种不同预训练范式的视频基础模型，发现它们的直觉物理信息可解码性因测试基准和探测方法而异，尚无单一模型在所有测试中占优。 研究使用冻结特征探测，在 IntPhys2 和 MVP 两个基准上评估模型。MVP 测试中，时间注意力探测器表现优于线性探测器，V-JEPA 的配对一致性达到 95.0%；IntPhys2 测试中，线性探测器能提取更多信息，VideoMAE 的时间注意力探测结果达到 73.9% 的违反预期准确率。 研究还发现，直觉物理信息在模型中后层更容易提取。这表明模型内部存在可供探测的物理信息，但其表现取决于测试任务和读取方式，不能仅凭单项准确率判断模型具备完整的物理理解能力。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。