HiPhy：物理上合理的多原理视频生成的分层对齐

视频生成模型已经实现了卓越的视觉保真度，并且具有成为通用世界模拟器的强大潜力。尽管取得了这些进展，他们仍然无法生成符合物理定律的视频。在现实环境中，多个物理原理必须在同一个视频中协同工作，这个问题变得更加明显。例如，“当蒸汽从锅中升起时，气球向上漂浮”需要浮力和流体动力学才能连贯且同时展开。然而现有的方法在很大程度上忽略了多原则交互，只关注每个视频的单一原则。我们提出了 HiPhy（分层物理对齐），这是一种强化学习框架，通过双层目标将视频生成建立在物理定律的基础上：局部执行各个物理原理的时间动态，并全局确保整个场景的物理和语义一致性。为了支持多原理生成，我们构建了一个 50K 提示数据集，并引入了提示基准 MultiPhyBench，涵盖各种同时发生的物理事件。我们的实验表明，HiPhy 显着优于先前的方法和基线，在各种基准测试中显着改善了物理常识和语义对齐，在涉及多个并发物理原理的场景中收益最大，而在这些场景中，竞争方法退化最严重。