OmniFysics：通过 Omni-Modal Signal Processing and Network Optimization 实现物理智能进化

网络化 AI 系统的自主演化高度依赖稳健的环境感知。然而，由于关键物理信号在视觉上模糊且在网络规模数据中稀疏表示，当前模型中的物理理解仍然脆弱。为弥合数据导向学习与基于知识的物理规则之间的差距，我们提出 OmniFysics，一个紧凑的 omni-modal 网络，统一跨图像、音频、视频和文本的信号处理与理解。为实现自主优化并注入显式物理知识，我们构建了一个动态物理数据引擎。在该引擎中，FysicsAny 作为一种自适应机制，通过层次检索和物理法则受限的信号验证，将显著对象映射到已验证的物理属性，从而产生物理依托的监督信号。同时，FysicsOmniCap 通过先进的音视频跨模态信号处理从 web 视频中蒸馏，生成强调动态物理线索的高保真数据对。我们通过阶段性多模态对齐和进化指令调优优化 OmniFysics 网络，集成基于潜在空间流匹配的生成和用于高效执行的自适应意图路由。实验表明，这种进化优化范式不仅在标准多模态基准上实现了竞争性能，还在面向物理的评估中显著推进了物理-oriented 评估。