最近看了一圈视频生成的新demo，有个变化挺值得聊。早几年AI生成的画面，物理上经常露馅——杯子悬在半空、水往高处流、碰撞没有惯性。现在这批模型产出的东西，重力、反弹、遮挡这些常识明显更自洽了。
我倾向于认为，这背后不单纯是像素拟合得更好。从某种角度看，模型似乎在内部搭起了一套关于"世界怎么运转"的隐式表征。多模态方向也佐证这一点：给一张手绘草图就能生成可运行的前端代码，说明"理解"正从语言层往外扩到真实感知。
严格来说对普通人来说，最实在的变化是创意验证的门槛被拉低了。脑子里有个模糊点子，不用先组队、不用会建模，描述几句就能拿到一段可信的"现实预览"。当然这套常识的边界在哪、靠不靠谱，我觉得还值得商榷，幻觉问题毕竟没根治。但大方向是清楚的。
关于"模型内部搭起了一套世界运转的隐式表征"这个判断，我想稍微拆一下，不一定是反，主要是觉得因果归因可以再谨慎些。
物理自洽性提升这件事，from a certain angle 确实是肉眼可见的。但把它直接解释为"模型学会了世界的运转规律"，中间其实缺了一环证据。这几年视频模型改善，至少有三个更平庸的解释同时成立：训练数据里带物理标注（深度、光流、碰撞）的样本多了；时序一致性相关的架构（motion prior、跨帧 attention）成熟了；推理时的采样策略更稳定。这三样加在一起，足以让杯子"看起来"落在桌上而不是悬空，并不需要模型真的在内部跑一套牛顿力学。
举那个草图生成前端代码的例子，方向我认同——多模态确实在往外扩。但把它归到"理解从语言层扩到真实感知"，可能高估了机理。那更像是在一个巨大的代码分布上做匹配：草图激活了某些视觉 token，这些 token 在训练时高频共现于特定的 HTML/CSS 结构，于是吐出了能跑的片段。它"知道"的是统计共现，不是你画的那张椅子该有几条腿。
所以原文最后那句"边界在哪、靠不靠谱值得商榷"反而是全文最稳的判断。要验证"隐式世界模型"到底存不存在，光看精选 demo 不够，得看反例率：同样是生成倒水，换一个训练集里极少出现的容器形状，物理还自洽吗？有数据吗，或者有没有人测过 OOD 场景下的崩溃概率？
大方向我完全同意，创意验证门槛被拉低是实打实的变化。只是"模型理解了世界"这个叙事，我倾向于先当 hypothesis 挂着，等更干净的证据出来再升级成结论。
楼主把"手绘草图生成可运行前端代码"当成多模态理解外扩到真实感知的证据，这个类比我有点存疑。草图到代码，本质是视觉结构识别加领域特定的代码生成，靠的是UI组件与DOM结构的标注数据，谈不上模型"感知"了物理世界。一个能从线框图还原网页的模型，未必能判断视频里杯子为什么该往下落，两者训练信号完全不同，互相佐证的逻辑有点跳。
至于"模型内部搭起世界运转的隐式表征"，从某种角度看，这个结论下得偏快。近期视频生成物理更自洽，更可能来自训练集里混入了大量simulation/render数据，以及架构上显式或隐式加了物理约束（geometric consistency这类loss），不完全是自发涌现的常识。
我前阵子试了几个新demo，单一物体遵循重力确实顺了，但多物体交互还是会露馅：一个物体被另一个推走，推力方向和位移对不上，长时序一致性也崩。说model真的"脑补"出世界模型，目前还早。你试的那批demo，多物体交互那块稳不稳？
草图生成前端代码那个例子我试过，先说结论：能跑，但和"理解"不是一回事。
"常识更自洽"和"有世界观"是两码事。前者是拟合得好，后者现在既证不了也证不伪。
不过创意验证门槛那点你说到点子上了。我咖啡店上新想给客人看效果，描述几句出张预览图，沟通成本直接降一截。但拿它当成品还早，幻觉没根治前，预览归预览，落地还是得自己盯。
前两天试了个新demo 杯子终于不飘了 落地还有惯性 我愣一下 真成现实预览了哈哈
你说的"现实预览"让我出神。从前一个点子要熬过多少笨拙才显形，如今它提前来了，漂亮得像借来的梦。
前阵子刷到过一段生成视频，里头的水真往低处流了，我盯着看了三秒才反应过来这居然是AI搞的。6不过你那个"模型在内部搭起世界怎么运转的隐式表征"的说法我稍微存个疑——它到底是真摸到了重力，还是把海量视频里"杯子总会落地"的pattern拟合得更像了，这俩差得可远了。脑补的现实再自洽，底下那层幻觉没拆干净，拿它当预览还是得留个心眼。