目标力：教会视频模型完成基于物理条件的目标

视频生成领域的最新进展使得能够模拟机器人和规划潜在未来的“世界模型”得以发展。然而，为这些模型指定精确的目标仍然是一个挑战；文本指令通常过于抽象，无法捕捉物理细节，而目标图像对于动态任务来说往往难以指定。为了解决这个问题，我们引入了Goal Force，这是一个新颖的框架，允许用户通过显式的力向量和中间动力学来定义目标，模仿人类概念化物理任务的方式。我们在一个由合成因果基元（如弹性碰撞和倒下的多米诺骨牌）构成的精心策划的数据集上训练了一个视频生成模型，教会它在时间和空间中传播力。尽管仅在简单的物理数据上训练，我们的模型对复杂的现实世界场景表现出显著的零样本泛化能力，包括工具操作和多物体因果链。我们的结果表明，通过将视频生成建立在基本物理相互作用的基础上，模型可以成为隐式的神经物理模拟器，从而在不依赖外部引擎的情况下实现精确的、物理感知的规划。我们在项目页面上发布了所有数据集、代码、模型权重和交互式视频演示。