PhyDetEx：检测和解释 T2V 模型的物理合理性
计算机视觉与模式识别
2026-05-19 v3
摘要
受 Text-to-Video (T2V) 生成模型在容量和训练规模方面的快速提升驱动，这些模型最近在视频质量、长度和指令遵循能力方面取得了显著进展。然而，这些模型是否能够理解物理并生成符合物理规律的视频仍是一个问题。虽然 Vision-Language Models (VLMs) 在各种应用中被广泛用作通用评估器，但它们难以识别生成视频中不符合物理的内容。为调查此问题，我们构建了一个物理不合理性检测数据集（PID），其中包含 500 个手动标注的测试片段和 2,588 对训练片段，其中每个不合理视频都是通过仔细修改其对应真实视频的标题来诱导 T2V 模型生成不符合物理的内容。使用构建的数据集，我们引入一种轻量级微调方法，使 VLMs 能够不仅检测物理不合理事件，还能生成违反物理原理的文本解释。以经过微调的 VLMs 作为物理合理性检测和解释器，即 PhyDetEx，我们对一系列最先进的 T2V 模型进行基准测试，以评估其遵循物理法则的程度。我们的发现表明，尽管最近的 T2V 模型在生成符合物理内容方面取得了显著进展，但在理解和遵循物理法则方面仍是一个具有挑战性的问题，尤其是对于开源模型而言。我们的数据集、训练代码和模型checkpoint均可在 https://github.com/Zeqing-Wang/PhyDetEx 获得。
引用
@article{arxiv.2512.01843,
title = {PhyDetEx: Detecting and Explaining the Physical Plausibility of T2V Models},
author = {Zeqing Wang and Keze Wang and Lei Zhang},
journal= {arXiv preprint arXiv:2512.01843},
year = {2026}
}
备注
23 pages, 10 figures