内容摘要
作者提出“世界模型的物理终极考试”基准，以40项受控任务覆盖力学、光学、流体、热与相变、电磁及表面张力等现象，评估视频生成中的可观测物理关系。
任务将初始图像、生成提示与预定义物理判据配对，无需参考视频。评估器区分时序一致性、任务可观测性与物理正确性，通过跟踪、分割和时序分析提取周期、角度及液位。物理测量独立于筛查尝试；只有满足一致性门控且记录了物理分数，物理分才计入综合分，通过筛查不代表物理正确。
作者对八个视频模型生成的1,280段视频进行评测。在该协议下，Seedance平均综合分最高，为57.76，模型与任务间差异明显。排除证据不足的视频对、保留并列后，评估器与人工的任务内排序一致率为51.58%，高于直接VLM的43.40%，低于人工间参考值56.60%。另在绕过门控的480段合成参考视频上，测量模块平均物理分为97.53；该结果仅支持受控合成条件下的测量有效性，不能外推通用具身能力。
点评
将视觉连贯、任务可观测性与可测物理关系分开，为诊断视频模型的物理不一致提供可解释依据，而非通用具身能力认证。
上述结果属于作者论文内评测，不作为独立研究复现呈现。测试仅验证既定实验假设下的可观测关系，受证据可见性与提取可靠性限制；提取未解时按规则记入的操作性零分，不等于已测得物理违规。
版本与核查范围
版本 2610.08791v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#abstract1.1；#S1.p3.1；#S2.SS4.p3.1；#S2.SS3.p2.1；#S3.SS2.p1.1；#S3.SS3.p3.1；#S3.SS3.p4.1；#S3.SS2.p3.1；#S5.p1.1；#S2.SS1.p1.1；#S5.p1.1