标签
一位开发者畅想将 AI 智能体投放进一个持久运行的物理模拟器中，让它们通过观察来发现自然规律，同时提出了"模拟器悖论"（simulator catch-22）：这些智能体是否只会逆向工程后端的漏洞，或者对引擎进行奖励欺骗（reward hacking），而不是真正地从事科学研究。
Google DeepMind 发布 Genie 4 世界模型，利用 Gemini 3.8 Flash 作为引导智能体，在物理模拟、人物表现和音频支持上较 Genie 3 全面提升，可实时生成可交互的虚拟世界。DeepMind 认为世界模型是通往 AGI 的关键一步，可用于机器人训练环境与创意原型设计。
Viggle发布JST-2模型，采用“物理原生”的Joint Space-and-Time架构，将世界表示为带空间位置与物理属性的3D原子，可在约1秒内以不到1美分的成本生成可交互探索的3D场景、带骨骼的角色及全身动作，支持API调用但暂未开源。
Viggle 发布了 JST-2，据称是全球首个完全在 3D 空间（而非像素/视频空间）中构建的全栈物理原生世界基础模型，同时配套推出 PINOC MCP 服务器，让 Claude Code 等智能体在一条流程中完成角色生成、文本驱动动画和场景组装，并通过共享骨骼架构免去了骨骼重定向的步骤。
PhysLDM 提出了一种用于高保真可变形体物理模拟的时空隐空间扩散框架，采用整体式变分自编码器（VAE）实现约 78 倍的词元压缩与约 2.48 毫米的重建精度，并证明扩散模型比确定性回归更能建模混沌动力学，实现零样本泛化与逆问题求解。
Odyssey 3 是一个基础世界模型，能从提示生成交互式环境并实时预测其变化，其 Pro 版本在 Physics-IQ 视频到视频基准上取得最高分（66.1），还可用于控制机器人手臂、人形机器人、驾驶车辆及训练智能体。
该论文提出一种物理注意力偏置（physical attention bias），在注意力logits上加入基于弧长距离和欧氏距离的可学习项，以改进对未训练过的电缆等可变形线性对象（DLOs）的运动预测，显著减少长期rollout中的漂移与误差。
Tetris3D提出了一种单图3D场景重建的生成式框架，它根据周围几何结构与物理关系对每个物体的形状和姿态进行条件化生成，并引入了包含120万个场景的物理仿真数据集ComOb，在物理稳定性和多物体一致性重建方面达到了当前最优水平。
Hole Punch 被称为 Unit 0426 · Mk II，是一款让玩家在引力场中抛掷飞船、体验轨道力学与基于动量的移动机制的游戏。
加州理工学院（Caltech）与 Accelerated Understanding 的 Animashree Anandkumar 将在 SC26 上发表题为《大模型之后的下一个扩展律：理解物理世界的 AI》的主题演讲，内容涵盖从 FourCastNet 到天气、核聚变和生物学领域 AI 驱动科学发现的最新进展。
GLM-5.3 在 AI/ML API 进行的5场景物理测试中优于 Space Bunny Alpha，突显了AI物理模拟的优势和劣势。
PolyBridgeBench是一种新的可执行基准测试，用于评估多模态大型语言模型在基于物理的桥梁设计任务中的表现，揭示了结构合成与修复中确定性有效性与动态成功之间的差距。
文章聚焦于相对论性光线追踪，这是一种结合了光线追踪与相对论物理学的技术，旨在提高计算机图形学和科学可视化中的模拟精度。
REVERSAL-BENCH 引入了一个基准，用于测量无重置强化学习中的可逆性，揭示了一个'可逆性悬崖'，其中智能体在不可恢复的状态中失败。该基准包括一个连续的可逆性参数和一个重置预言机，用于在多个环境中测试状态可恢复性。
DeformSmith是一个框架，用于从文本或图像生成交互式、物理可信的可变形资产，通过物理引导的分层生成来提高质量和可信度。
论文引入了视频模型中的因果可写性，表明正确的物理运动保持可用但在关键深度后变得不可编辑，这影响了训练纠正错误的方式。
本文对用于求解逆问题的各种优化器进行基准测试，比较它们在不同物理领域和问题类型上的性能，为优化器的选择和设计提供见解。
SNAP3D引入了一个物理引导的框架，用于改进从单张图像的部件感知3D生成，确保稳定且物理有效的装配，通过仿真反馈解决部件间穿透等问题。
TRACE 是一个用于颗粒动力学的图神经网络模拟器，利用接触边记忆来提高准确性和效率，将长期展开误差降低31–62%，并实现比传统求解器更快的速度。
Puffin-World 是一个统一多模态框架，通过 Omni-Camera 表示法整合物理理解、空间模拟和3D世界生成，并使用 Puffin-16M 数据集进行扩展。