标签
SimWorlds是一个多智能体框架，能够通过自然语言生成动态、可编辑的4D场景。它利用Blender特定的程序化知识以及规划-编码-审查工作流，性能优于先前基线。
本文介绍了一份详细的基准测试，比较了 JavaScript 中用于二维物理模拟的 ECS 和 OOP 架构，测试了内存局部性和多维性能，包括 broad-phase 算法和排序策略，结果基于 M4 Mac。
对四个 AI 模型（Fable 5、Opus 4.8、GLM 5.2、GPT 5.5）生成 HTML5 Canvas 物理演示的比较显示，Fable 5 在质量上优于其他模型，但每次测试的成本显著更高。
NVIDIA 研究提出了生成式预训练控制器（GPC），一种使用离散token和基于Transformer的下一token预测来预训练电机控制的方法，从而可以针对新任务进行微调。GPC在600多小时的运动数据上训练，可在实时物理仿真中运行，实现交互式控制。
PhysiFormer 使用坐标空间扩散生成物理上合理的3D物体运动，无需显式归纳偏置，实现了高效的多物体推理以及对复杂材料和几何形状的泛化。
介绍了 Neural Particle Automata，一种使用光滑粒子流体动力学感知来学习自组织粒子动力学的方法，使粒子能够拥有局部感知向量以执行更新规则，类似于神经细胞自动机，但在连续粒子位置上。
本文介绍了 Environments AI，这是一个能够为物理模拟生成并运行代码的工具，有助于更轻松地创建模拟环境。
Z.ai 发布了 GLM-5.2，这是一款具有开放权重的 AI 模型，在编码和智能体性能方面有所提升，通过在三个任务的物理模拟基准测试中击败 Kimi K2.7 Code 得到证明。
AdaVoMP 使用稀疏自适应体素结构和 Transformer 编码器-解码器来预测三维物体的空间变化力学属性，从而实现高分辨率可变形模拟，提高了准确性和效率。
新竞技场让LLM控制物理布娃娃进行武器对决，用户定义武器伤害区域、盲评投票，模型争夺Elo排名。免费模型如Llama 3.3和GPT-OSS参与竞争，基础设施可自托管。
提出了将分裂共形预测首次应用于基于神经算子的物理模拟，提供了具有有限样本覆盖保证的无分布预测区间，并利用MC Dropout不确定性生成自适应宽度的区间。
PhyGenHOI是一个新颖框架，通过将运动扩散模型与物质点方法模拟相结合，利用3D高斯表示生成物理精确的4D人-物交互。
一篇博客教程，解释如何在Godot游戏引擎中实现Navier-Stokes流体模拟，包含代码和数学解释，供学习使用。
一项实验向 GPT-4o、Claude 3.5 Sonnet 等其他模型提供相同的双摆提示，结果显示它们选择了相反的角约定，导致在共享渲染器中立即出现可见的不匹配。这种约定分裂在不同模型家族间并非随机，表明在经典力学问题的训练数据分布中存在偏差。
本文提出了一种基于代理的框架，利用编码代理从自然语言提示生成物理上可信的世界模拟，在物理准确性和指令保真度方面优于基于视频的模型。
RigidFormer 是一种新型的无网格、以对象为中心的 Transformer 模型，能够从点云中学习刚体动力学。在多对象接触动力学方面，其在速度和可扩展性上优于基于网格的基线模型。
Yann LeCun的团队发布了LeWorldModel，一个仅有1500万参数的物理模型，在单张GPU上训练数小时，在规划速度和物理合理性上超越了价值数十亿美元的基础模型，挑战了主流的规模扩展范式。
PhysForge 是一个两阶段框架，能够生成具备物理基础和运动学参数的交互式 3D 资产，解决了虚拟世界中静态几何模型带来的瓶颈问题。
Google DeepMind 维护的 MuJoCo 是一款高性能开源物理引擎，提供 C/Python API 与 Unity 插件，专为机器人与机器学习研究设计。
The Well是一个包含16个领域、15TB多样化物理模拟数据集的大规模集合，旨在为时空物理系统的机器学习代理模型提供基准测试。它提供了统一的PyTorch接口和示例基线，以加速基于模拟的工作流程。