一句话总结

南加州大学及其合作者推出了 WROP（World Reasoning with Object Permanence），这是一个受认知科学启发的数据基础设施，包含跨六个类别的 150 个手工设计任务、一个 150 万样本训练语料库，以及一项 300 题考试；该工作利用这些资源训练并评估 PWM-WROP，这是一个 16B 世界模型，在盲测成对 Elo 研究中在续写模型中排名第一，在总排名中位列第三。

核心贡献

• 本文介绍了 WROP，一个由 150 个手工设计的 Blender 任务生成器构建、覆盖六个认知类别的基准和训练资源，产生 150 万样本训练语料库和一项用于客体永久性与物体实体性的固定 300 题考试。
• 该工作评估了 14 个视频生成模型，涵盖参考到视频、编辑和续写设置，并采用盲测成对人工 Elo 评分；16B 的 PWM-WROP 模型在续写模型中排名第一，总排名第三，仅次于两个在统计上并列的参考到视频模型。
• 该工作发布了语料库、考试、模型答案、分数、权重以及基于 AWS Trainium2 的 PWM 训练栈，并提供了初步证据：在基于认知原理的合成数据上训练，是为视频生成模型赋予物理推理能力的一条可行路径。

引言

近期的视频生成模型能够生成逼真、时间上连贯的视频片段，并越来越被视为世界模型；然而它们在客体永久性和物体实体性方面仍然失败，例如让被遮挡的物体在不合理的位置重新出现，或穿过实体障碍物。这一点很重要，因为客体永久性和实体性是人类物理智能中的基础核心知识能力，也是有效碰撞、支撑移除和更高层因果推理的上游要求。先前的基准通常仍局限于 2D 或图像到视频的设置，提供很少或根本不提供训练数据，并且依赖基于 VLM 的评分，尽管 VLM 在被测的相同物理推理能力上存在系统性缺陷。作者用 WROP 解决这些空白。WROP 是一个由 150 个 Blender 生成器构建的 3D 合成基准，覆盖六个任务族，包括 150 万样本训练语料库、固定的 300 题人工评估考试，以及一个后训练的 16B 续写模型 PWM-WROP。该模型在人工成对比较中在真实续写模型中排名第一。

数据集

作者使用一个由 150 个参数化 Blender 任务生成器构建的合成数据集。它并非来自真实视频；所有片段均为手工创作的 3D 动画，以 1280×720 和 24 fps 渲染。这些生成器按照两个认知维度组织为六个族：客体永久性（OP）和物体实体性（OS）。结构参数控制物理和认知挑战，而颜色、材质、光照和相机视角等表面参数则随机化以保证视觉多样性。

任务族

• OP-1：Baillargeonian 遮挡。目标移动到遮挡物后方，必须保持身份、大小和运动完整地重新出现。
• OP-2：物体静态遮挡。移动遮挡物遮住静态物体；移除遮挡物后必须恢复原来的数量、身份和空间排列。
• OP-3：容器永久性。物体被隐藏在可能移动或交换的容器内；物体必须继续跟随容器的新位置。
• OS-1：Baillargeonian 阻碍。移动物体接近带有开口的障碍物，必须根据物体与开口的尺寸被阻挡或允许通过。
• OS-2：物体下落。支撑面被移除；物体必须下落，并由尺寸与开口的过滤关系决定其是穿过还是停留。
• OS-3：物体碰撞。移动物体撞击静止结构，必须产生物理一致的碰撞后轨迹，不发生合并或相互穿透。

规模与样本格式

• 训练语料库：来自 150 个生成器的 1,500,000 个样本，每个生成器 10,000 个样本。
• 评估考试：300 道题，使用来自 150 个生成器中每个生成器的 2 个样本。
• 每个样本是一个 120 帧的物理一致动画，在关键事件处切分为 60 帧输入视频和 60 帧目标视频。
• 每个样本包含一个自然语言提示、逐帧物体位姿轨迹，以及描述场景状态的元数据记录。
• 运动以 Blender 关键帧动画编写，而非由物理引擎生成；轨迹数组从该动画中采样。

生成与验证

• 每个任务都实现为一个独立、参数化的 Blender 生成器，指定物体、场景几何、初始条件、关键帧运动、相机设置、提示和预期物理结果。
• 不使用刚体求解器；轨迹以解析方式编写，使遮挡、接触和重新出现在受控帧发生。
• 共享驱动器通过 Blender 4.4.3 和 EEVEE Next 进行渲染。随机种子控制表面变化，同时保留相机、几何、空间配置和物理机制。
• 120 帧动画在第 60 帧处切分为 60 帧输入和 60 帧目标。
• 每个样本被打包为一个五元组：输入视频、目标视频、提示、轨迹和元数据。
• 自动验证检查所有五个组件是否存在且可读，两个片段具有相同帧率，每个片段正好有 60 帧，并且两个片段在第 60 帧处相接，没有间隔或重叠。
• 检查轨迹和元数据文件的必需字段。元数据记录生成器身份、样本索引、随机种子和渲染配置。
• 失败或无效的样本会被拒绝并重新生成。发布前，每个生成器的代表性样本会被人工检查。

数据用途

• 输入半段建立事件前的场景上下文，目标半段捕捉物理事件及其后果。
• 该切分与视频到视频评估协议一致，即模型从 60 帧输入生成 60 帧目标。
• 训练对每个生成器等量采样，而评估从每个生成器抽取两个样本，以覆盖全部 150 个任务。

方法

作者设计了一条数据生成流水线，其中每个生成器将任务族的物理场景实例化为一个独立的 3D Blender 场景。使用多样化的日常物体和场景配置，在视觉上不同的设定中测试相同的物理原理。为避免模型仅依赖最终位置，作者在单个生成器内引入多种物理上有效的结果。例如，在 Marked Boxes Swap 任务中，两个带标签的盒子分别盖住不同物体，交换屏幕位置后重新打开，每个物体仍与原来带标签的盒子相关联。这种构造要求模型在运动和遮挡中追踪盒子身份和隐藏内容。只要在检查中发现物体相互穿透或其他物理违规，场景几何、物体轨迹、接触时机、遮挡范围以及相机位置都会被修正。

数据生成流水线包含三个主要阶段。第一，在任务特定生成器实现阶段，150 个任务中的每一个都被实现为独立、参数化的 Blender 生成器。该生成器指定物体及其语义角色、场景几何、初始条件、构成任务的关键帧运动和接触事件、相机配置、自然语言提示以及预期物理结果。不使用刚体求解器；每条轨迹都以解析方式编写，使遮挡、接触和重新出现在受控帧发生，因此物理合理性由场景作者而非模拟器负责。

第二，在样本生成与构造阶段，共享驱动器通过统一的 Blender 渲染后端执行每个生成器。记录的随机种子控制物体颜色、材质和场景光照的表面变化，同时保留编写好的相机、几何、空间配置和物理机制。渲染器生成 120 帧动画，并在第 60 帧处切分，产生 60 帧输入视频和 60 帧目标视频。每个样本被打包为一个五元组，包括输入视频、目标视频、提示、轨迹和元数据。

第三，在大规模生成与验证阶段，生成器在并行工作进程上独立运行，每个贡献 10,000 个训练样本。失败的渲染会自动重试并记录，自动审计会验证文件完整性和模式有效性。每个生成的样本在进入数据集之前都会经历自动验证。作者验证所有五个组件都存在且可读，两个片段具有相同帧率，并且每个片段正好包含 60 帧，在第 60 帧处相接，没有间隔或重叠。检查轨迹和元数据文件的必需字段，元数据记录生成器身份、样本索引、随机种子和渲染配置，使每个样本都能追溯到其生成条件。未通过任何检查的样本会被拒绝并重新生成。发布前，每个生成器的代表性样本都会经过人工检查，以确认渲染序列符合预期的任务定义，并且切分边界位置正确。

实验

本评估通过在 WROP 语料库上微调 PWM-WROP，并将其与十三种系统在真实续写、参考到视频以及编辑或迁移接口中进行比较，测量视频到视频模型在客体永久性和实体性上的表现。人类偏好结果显示，参考到视频模型总体领先，而 PWM-WROP 是最强的真实续写模型，这表明特定领域的微调可以改善物理推理，且接口类别比模型规模更重要。任务族和定性分析表明，遮挡追踪与基于接触的实体性提出了不同要求；PWM-WROP 在遮挡任务上表现突出，但在实体性任务上更不稳定，而常见失败涉及表征丢失或因果解耦。自动指标被视为次要指标，因为它们衡量的是参考相似度而非物理正确性。

该评估覆盖 14 个视频到视频模型，并按来源、访问途径、接口类别和原生输出几何进行分组。这些系统分为真实续写、参考到视频和编辑/迁移类别，其中开放权重模型在本地运行，专有模型通过托管 API 访问。原生输出分辨率和帧数在整个集合中差异很大，所提出的模型生成的片段分辨率低于若干开放权重替代方案。这 14 个系统分为真实续写、参考到视频和编辑/迁移接口类别，反映了它们与条件片段的不同关系。开放权重模型在多 GPU 硬件上本地运行，而专有模型通过托管 API 访问。真实续写模型包括所提出的 PWM-WROP、MAGI-1、LTX-2.3 Extend 和 Grok Imagine；编辑和迁移模型包括 Wan-VACE、HY-OmniWeaving、带 IC-LoRA 条件的 LTX-2.3 Dev、Cosmos3 Super、Kling O3 Pro、Gemini Omni Flash 和 Runway Aleph 2。所提出的模型输出的空间分辨率片段低于若干开放权重基线，后者的原生分辨率达到远高于此的尺寸。

参考到视频模型在人类偏好排名中领先，Wan 3.0 Prime 和 MiniMax H3 并列第一，Seedance 2.5 也位居前列。PWM-WROP 是排名最高的真实续写模型，总排名第三，并明显领先于下一个真实续写系统。编辑和迁移模型集中在排行榜中部，而其余真实续写模型排名较低。参考到视频模型在排行榜中占主导地位，Wan 3.0 Prime 和 MiniMax H3 并列第一，Seedance 2.5 位列第四。PWM-WROP 是表现最好的真实续写模型，总排名第三，并以较大 Elo 差距超过次优的真实续写模型。

人类偏好排名在六个客体永久性和物体实体性任务族之间差异很大，没有模型在所有任务上一致领先。PWM-WROP 总体属于第一梯队，并在物体静态遮挡和物体下落任务中表现出最强的族级结果，但在物体碰撞上表现相对较差。这种差异与遮挡追踪和阻碍或碰撞推理之间的更大分野一致。没有模型在全部六个任务族中占主导地位；排名靠前的位置在遮挡、阻碍和碰撞任务之间变化。PWM-WROP 在物体静态遮挡和物体下落任务中表现最佳，但在物体碰撞任务中属于较弱模型。MiniMax H3 在各任务族中始终表现强劲，而总排名较低的模型如 Seedance 仍能在个别遮挡和阻碍案例中获胜。

全参考指标显示，PWM-WROP 在感知距离、多尺度结构相似性和像素误差上领先，而 MiniMax H3 在 CLIP 相似度、PSNR 和 FID 上领先。PWM-WROP 的优势在分辨率敏感的指标上减弱，其上采样输出显示出相对较高的 FID。这些指标衡量的是与目标视频的相似性，而非物理推理，因此能够在静态场景外观上复现的模型可能排名靠前，却未描绘出正确的客体永久性。PWM-WROP 在评估模型中取得了最佳的 LPIPS、MS-SSIM、MSE 和最终帧 MSE，并在 CLIP 相似度上排名第二。MiniMax H3 在 CLIP 相似度、PSNR 和 FID 上领先，而编辑或迁移模型可以在未生成必要重新出现的情况下，在结构指标上取得良好分数。

该研究评估了 14 个视频到视频模型，涵盖真实续写、参考到视频和编辑/迁移类别，并将本地开放权重推理和托管 API 访问与人类偏好排名、任务族分解和全参考指标相结合。参考到视频模型在总体人类偏好中领先，而所提出的 PWM-WROP 是最强的真实续写模型，总排名第三，在物体静态遮挡和物体下落上表现良好，但在物体碰撞上相对较差。全参考指标在感知和结构相似性上有利于 PWM-WROP，而 MiniMax H3 在分辨率敏感的指标上领先，尽管这些指标反映的是外观相似性而非物理推理。