Tại Sao Video AI Đôi Khi Được Phát Ngược

Nếu năm 2022 là năm mà trí tuệ nhân tạo tạo ra đã thu hút sự tưởng tượng của công chúng rộng lớn hơn, thì năm 2025 là năm mà thế hệ mới của các khuôn khổ video tạo ra từ Trung Quốc dường như sẵn sàng làm điều tương tự.

Video Hunyuan của Tencent đã tạo ra một tác động lớn đối với cộng đồng AI nghiệp dư với việc phát hành mã nguồn mở của một mô hình khuếch tán video toàn cầu mà người dùng có thể tùy chỉnh theo nhu cầu của họ.

Gần gũi với nó là Wan 2.1 mới nhất của Alibaba, một trong những giải pháp FOSS hình ảnh-sang-video mạnh mẽ nhất trong giai đoạn này – hiện hỗ trợ tùy chỉnh thông qua Wan LoRAs.

Bên cạnh sự sẵn có của mô hình nền tảng con người gần đây SkyReels, tại thời điểm viết, chúng tôi cũng đang chờ đợi việc phát hành bộ sáng tạo và chỉnh sửa video toàn diện VACE của Alibaba:

Click để phát. Sự phát hành sắp tới của bộ chỉnh sửa AI đa chức năng VACE của Alibaba đã khiến cộng đồng người dùng phấn khích. Source: https://ali-vilab.github.io/VACE-Page/

Tác Động Đột Ngột

Cảnh quan nghiên cứu video AI tạo ra bản thân nó không kém phần nổ; vẫn còn là nửa đầu tháng 3, và các bài nộp vào phần Máy tính của Arxiv (một trung tâm cho các bài báo về AI tạo ra) lên tới gần 350 mục – một con số thường liên quan đến đỉnh điểm của mùa hội nghị.

Hai năm kể từ khi ra mắt Stable Diffusion vào mùa hè năm 2022 (và sự phát triển sau đó của Dreambooth và phương pháp tùy chỉnh LoRA) đã được đặc trưng bởi sự thiếu các phát triển lớn hơn, cho đến vài tuần gần đây, nơi các bản phát hành và đổi mới mới đã diễn ra với tốc độ nhanh đến mức gần như không thể theo kịp, không chỉ để theo dõi, mà còn để bao quát tất cả.

Mô hình khuếch tán video như Hunyuan và Wan 2.1 đã giải quyết, sau cùng, và sau nhiều năm nỗ lực thất bại từ hàng trăm sáng kiến nghiên cứu, vấn đề của tính nhất quán thời gian liên quan đến việc tạo ra con người, và phần lớn cũng đối với môi trường và đối tượng.

Không có gì nghi ngờ rằng các xưởng VFX hiện đang áp dụng nhân viên và tài nguyên để thích nghi với các mô hình video mới của Trung Quốc để giải quyết các thách thức ngay lập tức như hoán đổi khuôn mặt, mặc dù hiện tại thiếu cơ chế phụ trợ kiểu ControlNet cho các hệ thống này.

Phải là một sự nhẹ nhõm khi một chướng ngại vật quan trọng như vậy đã có thể được vượt qua, mặc dù không phải theo những con đường được dự đoán.

Trong số những vấn đề còn lại, cái này tuy nhiên không tầm thường:

Click để phát. Dựa trên lời nhắc ‘Một viên đá nhỏ lăn xuống một sườn dốc đá, làm cho đất và đá nhỏ bị dịch chuyển ‘, Wan 2.1, đạt điểm cao nhất trong bài báo mới, tạo ra một lỗi đơn giản. Source: https://videophy2.github.io/

Lên Dốc Ngược

Tất cả các hệ thống văn bản-sang-video và hình ảnh-sang-video hiện có, bao gồm cả mô hình mã nguồn đóng thương mại, có xu hướng tạo ra các lỗi vật lý như lỗi trên, nơi video hiển thị một viên đá lăn lên dốc, dựa trên lời nhắc ‘Một viên đá nhỏ lăn xuống một sườn dốc đá, làm cho đất và đá nhỏ bị dịch chuyển ‘.

Một lý thuyết về lý do tại sao điều này xảy ra, gần đây được đề xuất trong một hợp tác học thuật giữa Alibaba và UAE, là các mô hình được đào tạo luôn trên các hình ảnh đơn lẻ, theo một nghĩa nào đó, ngay cả khi chúng được đào tạo trên video (được viết thành các chuỗi hình ảnh đơn cho mục đích đào tạo); và chúng có thể không học được thứ tự thời gian chính xác của ‘trước’ và ‘sau’ hình ảnh.

Tuy nhiên, giải pháp có thể xảy ra nhất là các mô hình trên đã sử dụng các quy trình tăng cường dữ liệu liên quan đến việc hiển thị một đoạn clip nguồn cho mô hình cả về phía trước và ngược lại, hiệu quả là tăng gấp đôi dữ liệu đào tạo.

Đã lâu rồi người ta biết rằng điều này không nên được thực hiện một cách tùy tiện, vì một số chuyển động hoạt động ngược lại, nhưng nhiều chuyển động không hoạt động. Một nghiên cứu năm 2019 từ Đại học Bristol của Anh đã tìm cách phát triển một phương pháp có thể phân biệt đồng biến, không đổi và không thể đảo ngược các đoạn clip video nguồn trong một tập dữ liệu (xem hình dưới), với ý tưởng rằng các đoạn clip nguồn không phù hợp có thể được lọc ra khỏi các quy trình tăng cường dữ liệu.

Ví dụ về ba loại chuyển động, chỉ có một trong số đó là có thể đảo ngược trong khi vẫn duy trì các động lực vật lý hợp lý. Source: https://arxiv.org/abs/1909.09422

Các tác giả của công việc đó đặt ra vấn đề một cách rõ ràng:

‘Chúng tôi phát hiện ra rằng tính thực tế của các video đảo ngược bị phản bội bởi các hiện tượng đảo ngược, các khía cạnh của cảnh mà sẽ không thể trong thế giới tự nhiên. Một số hiện tượng này rất tinh vi, trong khi những hiện tượng khác dễ nhận thấy, như một hành động ném ngược lại, nơi đối tượng được ném tự nhiên nổi lên từ sàn.

‘Chúng tôi quan sát thấy hai loại hiện tượng đảo ngược, vật lý, những hiện tượng này thể hiện sự vi phạm các định luật của tự nhiên, và không thể, những hiện tượng này mô tả một kịch bản có thể xảy ra nhưng không thể xảy ra. Những hiện tượng này không độc quyền, và nhiều hành động đảo ngược đều gặp phải cả hai loại hiện tượng, như khi làm thẳng một tờ giấy.

‘Ví dụ về các hiện tượng vật lý bao gồm: trọng lực ngược (ví dụ: ‘thả một vật’), xung động tự nhiên trên các vật thể (ví dụ: ‘quay một bút chì’), và các thay đổi trạng thái không thể đảo ngược (ví dụ: ‘đốt một cây nến’). Một ví dụ về hiện tượng không thể xảy ra: lấy một chiếc đĩa từ tủ, lau khô nó và đặt nó lên giá để khô.

‘Loại tái sử dụng dữ liệu này rất phổ biến tại thời điểm đào tạo, và có thể có lợi – ví dụ, trong việc đảm bảo rằng mô hình không học chỉ một góc nhìn của một hình ảnh hoặc đối tượng mà có thể bị lật hoặc xoay mà không mất đi sự hợp lý và logic trung tâm của nó.

‘Điều này chỉ hoạt động đối với các đối tượng thực sự đối xứng,当然; và việc học vật lý từ một video ‘đảo ngược’ chỉ hoạt động nếu phiên bản đảo ngược có ý nghĩa như phiên bản tiến.

Sự Đảo Ngược Tạm Thời

Chúng tôi không có bằng chứng rằng các hệ thống như Hunyuan Video và Wan 2.1 cho phép các đoạn clip ‘đảo ngược’ một cách tùy tiện được hiển thị cho mô hình trong quá trình đào tạo (không có nhóm nghiên cứu nào đã chỉ định các quy trình tăng cường dữ liệu).

Tuy nhiên, khả năng thay thế hợp lý duy nhất, khi đối mặt với nhiều báo cáo (và kinh nghiệm thực tế của tôi), dường như là các tập dữ liệu siêu quy mô cung cấp năng lượng cho các mô hình này có thể chứa các đoạn clip thực sự có các chuyển động xảy ra theo hướng ngược lại.

Viên đá trong video ví dụ được nhúng trên đây được tạo ra bằng Wan 2.1 và xuất hiện trong một nghiên cứu mới kiểm tra cách các mô hình khuếch tán video xử lý vật lý.

Trong các thử nghiệm cho dự án này, Wan 2.1 đạt được điểm 22% về khả năng tuân thủ nhất quán các định luật vật lý.

Tuy nhiên, đó là điểm cao nhất của bất kỳ hệ thống nào được thử nghiệm cho công việc, cho thấy rằng chúng tôi có thể đã tìm thấy chướng ngại vật tiếp theo cho video AI:

Điểm số đạt được bởi các hệ thống mã nguồn mở và mã nguồn đóng hàng đầu, với đầu ra của các khuôn khổ được đánh giá bởi các trình chú thích con người. Source: https://arxiv.org/pdf/2503.06800

Các tác giả của công việc mới này đã phát triển một hệ thống đánh giá điểm chuẩn, hiện đang ở phiên bản thứ hai, gọi là VideoPhy, với mã có sẵn tại GitHub.

Mặc dù phạm vi công việc vượt quá khả năng bao quát của chúng tôi ở đây, hãy cùng xem xét phương pháp luận và tiềm năng của nó trong việc thiết lập một thước đo có thể giúp định hướng quá trình đào tạo mô hình trong tương lai tránh những trường hợp đảo ngược kỳ lạ này.

Nghiên cứu, được thực hiện bởi sáu nhà nghiên cứu từ UCLA và Google Research, được gọi là VideoPhy-2: Một Đánh Giá Khó Khăn Của Sự Thông Minh Vật Lý Trong Tạo Video. Một trang web dự án đông đúc đồng hành cũng có sẵn, cùng với mã và tập dữ liệu tại GitHub, và một trình xem tập dữ liệu tại Hugging Face.

Click để phát. Ở đây, mô hình Sora của OpenAI không thể hiểu được sự tương tác giữa mái chèo và phản xạ, và không thể cung cấp một dòng chảy vật lý logic cho cả người trong thuyền và cách thuyền tương tác với cô ấy.

Phương Pháp

Các tác giả mô tả phiên bản mới nhất của công việc của họ, VideoPhy-2, là ‘một tập dữ liệu đánh giá sự thông minh vật lý khó khăn cho các hành động trong thế giới thực.’ Bộ sưu tập này bao gồm 197 hành động trên một loạt các hoạt động vật lý đa dạng như quay vòng, thể dục dụng cụ và quần vợt, cũng như các tương tác đối tượng, như uốn cong một đối tượng cho đến khi nó bị gãy.

Một mô hình ngôn ngữ lớn (LLM) được sử dụng để tạo ra 3840 lời nhắc từ các hành động hạt giống này, và các lời nhắc sau đó được sử dụng để tổng hợp video thông qua các khuôn khổ khác nhau đang được thử nghiệm.

Trong suốt quá trình, các tác giả đã phát triển một danh sách ‘ứng viên’ các quy tắc và luật vật lý mà các video AI tạo ra nên tuân thủ, sử dụng các mô hình tầm nhìn-ngôn ngữ để đánh giá.

Các tác giả tuyên bố:

‘Ví dụ, trong một video về một vận động viên chơi quần vợt, một quy tắc vật lý sẽ là quả bóng quần vợt nên theo một quỹ đạo parabol dưới trọng lực. Đối với các phán quyết tiêu chuẩn vàng, chúng tôi yêu cầu các trình chú thích con người đánh giá mỗi video dựa trên sự tuân thủ ngữ nghĩa tổng thể và sự thông minh vật lý, và đánh dấu sự tuân thủ của các quy tắc vật lý khác nhau.’

Trên: Một lời nhắc được tạo ra từ một hành động sử dụng LLM và được sử dụng để tạo một video với một máy tạo video văn bản-sang-hình ảnh. Một mô hình tầm nhìn-ngôn ngữ chú thích video, xác định các quy tắc vật lý có thể được áp dụng. Dưới: Các trình chú thích con người đánh giá tính thực tế của video, xác nhận các vi phạm quy tắc, thêm các quy tắc bị thiếu, và kiểm tra xem video có khớp với lời nhắc ban đầu hay không.

Ban đầu, các nhà nghiên cứu đã thu thập một tập hợp các hành động để đánh giá sự thông minh vật lý trong các video AI tạo ra. Họ bắt đầu với hơn 600 hành động được lấy từ các tập dữ liệu Kinetics, UCF-101, và SSv2, tập trung vào các hoạt động liên quan đến thể thao, tương tác đối tượng và vật lý thế giới thực.

Hai nhóm độc lập của các sinh viên STEM được đào tạo (với trình độ tốt nghiệp tối thiểu được yêu cầu) đã xem xét và lọc danh sách, chọn các hành động kiểm tra các nguyên tắc như trọng lực, động lượng, và đàn hồi, trong khi loại bỏ các nhiệm vụ chuyển động thấp như gõ phím, vuốt ve một con mèo, hoặc nhai.

Sau khi tinh chỉnh thêm với Gemini-2.0-Flash-Exp để loại bỏ các bản sao, tập dữ liệu cuối cùng bao gồm 197 hành động, với 54 hành động liên quan đến tương tác đối tượng và 143 hành động tập trung vào hoạt động thể thao và vật lý:

Mẫu từ các hành động được chưng cất.

Trong giai đoạn thứ hai, các nhà nghiên cứu đã sử dụng Gemini-2.0-Flash-Exp để tạo ra 20 lời nhắc cho mỗi hành động trong tập dữ liệu, kết quả là tổng cộng 3.940 lời nhắc. Quá trình tạo ra tập trung vào các tương tác vật lý có thể được đại diện rõ ràng trong một video được tạo ra. Điều này loại trừ các yếu tố không thể nhìn thấy như cảm xúc, chi tiết cảm giác, và ngôn ngữ trừu tượng, nhưng kết hợp các nhân vật và đối tượng đa dạng.

Ví dụ, thay vì một lời nhắc đơn giản như ‘Một người bắn cung thả mũi tên’, mô hình được hướng dẫn để tạo ra một phiên bản chi tiết hơn như ‘Một người bắn cung kéo dây cung về phía sau đến điểm căng tối đa, sau đó thả mũi tên, bay thẳng và trúng vào một mục tiêu giấy’.

Do các mô hình video hiện đại có thể giải thích các mô tả dài hơn, các nhà nghiên cứu đã tinh chỉnh thêm các chú thích bằng cách sử dụng Mistral-NeMo-12B-Instruct bộ tăng cấp lời nhắc, để thêm chi tiết hình ảnh mà không thay đổi ý nghĩa ban đầu.

Lời nhắc mẫu từ VideoPhy-2, được phân loại theo hoạt động thể thao hoặc tương tác đối tượng. Mỗi lời nhắc được ghép nối với hành động tương ứng và nguyên tắc vật lý liên quan mà nó kiểm tra.

Trong giai đoạn thứ ba, các quy tắc vật lý không được suy dẫn từ lời nhắc văn bản mà từ các video được tạo ra, vì các mô hình tạo ra có thể gặp khó khăn trong việc tuân thủ các lời nhắc văn bản có điều kiện.

Trước tiên, các video được tạo ra bằng cách sử dụng các lời nhắc từ VideoPhy-2, sau đó được ‘tăng cấp chú thích’ bằng Gemini-2.0-Flash-Exp để trích xuất các chi tiết chính. Mô hình đề xuất ba quy tắc vật lý dự kiến cho mỗi video, mà các trình chú thích con người đã xem xét và mở rộng bằng cách xác định các vi phạm tiềm năng khác.

Ví dụ từ các chú thích được tăng cấp.

Tiếp theo, để xác định các hành động khó khăn nhất, các nhà nghiên cứu đã tạo ra các video bằng cách sử dụng CogVideoX-5B với các lời nhắc từ tập dữ liệu VideoPhy-2. Họ sau đó đã chọn 60 hành động trong số 197 hành động mà mô hình nhất quán không tuân thủ cả lời nhắc và sự thông minh vật lý cơ bản.

Các hành động này liên quan đến các tương tác vật lý phong phú như chuyển động động lượng trong ném đĩa, thay đổi trạng thái như uốn cong một đối tượng cho đến khi nó bị gãy, các nhiệm vụ cân bằng như đi trên dây và các chuyển động phức tạp bao gồm cả lộn ngược, nhảy sào và ném bánh pizza, trong số những hành động khác. Tổng cộng, 1.200 lời nhắc đã được chọn để tăng độ khó của tập con dữ liệu.

Tập dữ liệu kết quả bao gồm 3.940 chú thích – 5,72 lần nhiều hơn phiên bản trước của VideoPhy. Chiều dài trung bình của các chú thích ban đầu là 16 token, trong khi các chú thích được tăng cấp đạt 138 token – 1,88 lần và 16,2 lần dài hơn, tương ứng.

Tập dữ liệu cũng bao gồm 102.000 chú thích của con người về sự tuân thủ ngữ nghĩa, sự thông minh vật lý và vi phạm quy tắc trên nhiều mô hình tạo video.

Đánh Giá

Sau đó, các nhà nghiên cứu đã xác định các tiêu chí rõ ràng để đánh giá các video. Mục tiêu chính là đánh giá xem mỗi video khớp với lời nhắc đầu vào và tuân thủ các nguyên tắc vật lý cơ bản như thế nào.

Thay vì chỉ xếp hạng video theo sở thích, họ đã sử dụng phản hồi dựa trên xếp hạng để bắt các thành công và thất bại cụ thể. Các trình chú thích con người đã đánh giá video trên thang điểm năm điểm, cho phép có các đánh giá chi tiết hơn, trong khi đánh giá cũng kiểm tra xem video có tuân thủ các quy tắc và luật vật lý khác nhau hay không.

Để đánh giá của con người, một nhóm 12 trình chú thích đã được chọn từ các thử nghiệm trên Amazon Mechanical Turk (AMT), và cung cấp xếp hạng sau khi nhận được hướng dẫn chi tiết từ xa. Để đảm bảo công bằng, sự tuân thủ ngữ nghĩa và sự thông minh vật lý được đánh giá riêng biệt (trong nghiên cứu VideoPhy ban đầu, chúng được đánh giá chung).

Các trình chú thích đầu tiên đã đánh giá xem video khớp với lời nhắc đầu vào như thế nào, sau đó đánh giá riêng tính hợp lý vật lý, ghi lại các vi phạm quy tắc và tính thực tế tổng thể trên thang điểm năm điểm. Chỉ hiển thị lời nhắc ban đầu, để duy trì một so sánh công bằng trên các mô hình.

Giao diện được trình bày cho các trình chú thích AMT.

Mặc dù đánh giá của con người vẫn là tiêu chuẩn vàng, nhưng nó tốn kém và đi kèm với một số hạn chế. Do đó, đánh giá tự động là cần thiết cho các đánh giá mô hình nhanh hơn và có thể mở rộng hơn.

Các tác giả của bài báo đã kiểm tra một số mô hình ngôn ngữ-video, bao gồm Gemini-2.0-Flash-Exp và VideoScore, về khả năng của chúng trong việc đánh giá video về độ chính xác ngữ nghĩa và ‘sự thông minh vật lý’.

Các mô hình đã đánh giá lại mỗi video trên thang điểm năm điểm, trong khi một nhiệm vụ phân loại riêng biệt xác định xem các quy tắc vật lý có được tuân thủ, vi phạm hoặc không rõ ràng.

Thử nghiệm cho thấy các mô hình ngôn ngữ-video hiện có gặp khó khăn trong việc khớp với đánh giá của con người, chủ yếu do lý luận vật lý yếu và sự phức tạp của các lời nhắc. Để cải thiện đánh giá tự động, các nhà nghiên cứu đã phát triển VideoPhy-2-Autoeval, một mô hình 7B tham số được thiết kế để cung cấp dự đoán chính xác hơn trên ba loại: sự tuân thủ ngữ nghĩa; sự thông minh vật lý; và tuân thủ quy tắc, được tinh chỉnh trên mô hình VideoCon-Physics bằng cách sử dụng 50.000 chú thích của con người*.

Dữ Liệu và Kiểm Tra

Với các công cụ này, các tác giả đã kiểm tra một số hệ thống video tạo ra, cả thông qua cài đặt cục bộ và, khi cần, thông qua các API thương mại: CogVideoX-5B; VideoCrafter2; HunyuanVideo-13B; Cosmos-Diffusion; Wan2.1-14B; OpenAI Sora; và Luma Ray.

Các mô hình đã được nhắc với các chú thích được tăng cấp khi có thể, ngoại trừ việc Hunyuan Video và VideoCrafter2 hoạt động dưới giới hạn 77 token CLIP và không thể chấp nhận lời nhắc trên một độ dài nhất định.

Video được tạo ra được giữ dưới 6 giây, vì đầu ra ngắn hơn dễ đánh giá hơn.

Dữ liệu lái xe đến từ tập dữ liệu VideoPhy-2, được chia thành một tập dữ liệu chuẩn và tập dữ liệu đào tạo. 590 video đã được tạo ra cho mỗi mô hình, ngoại trừ Sora và Ray2; do yếu tố chi phí (số lượng video thấp hơn được tạo ra cho những mô hình này).

(Vui lòng tham khảo bài báo nguồn để biết thêm chi tiết về đánh giá, được ghi lại chi tiết trong đó)

Ban đầu, đánh giá liên quan đến hoạt động thể thao / thể thao (PA) và tương tác đối tượng (OI), và kiểm tra cả tập dữ liệu chung và tập con ‘khó hơn’:

Kết quả từ vòng đầu tiên.

Ở đây, các tác giả nhận xét:

‘Ngay cả mô hình hoạt động tốt nhất, Wan2.1-14B, chỉ đạt được 32,6% và 21,9% trên toàn bộ và phân chia khó của tập dữ liệu của chúng, tương ứng. Hiệu suất tương đối mạnh của nó so với các mô hình khác có thể được归功 cho sự đa dạng của dữ liệu đào tạo đa phương thức của nó, cùng với bộ lọc chuyển động mạnh mẽ giúp giữ lại các video chất lượng cao trên một loạt các hành động.

‘Hơn nữa, chúng tôi quan sát thấy rằng các mô hình mã nguồn đóng, như Ray2, hoạt động kém hơn các mô hình mã nguồn mở như Wan2.1-14B và CogVideoX-5B. Điều này cho thấy rằng các mô hình mã nguồn đóng không nhất thiết phải vượt trội hơn các mô hình mã nguồn mở trong việc nắm bắt sự thông minh vật lý.

‘Đáng chú ý, Cosmos-Diffusion-7B đạt được điểm số thứ hai trên phân chia khó, thậm chí vượt qua mô hình HunyuanVideo-13B lớn hơn nhiều. Điều này có thể là do sự đại diện cao của các hành động con người trong dữ liệu đào tạo của nó, cùng với các mô phỏng được tạo ra tổng hợp.’

Kết quả cho thấy các mô hình video gặp khó khăn hơn với các hoạt động thể thao như thể thao hơn là với các tương tác đối tượng đơn giản. Điều này cho thấy rằng việc cải thiện các video AI tạo ra trong lĩnh vực này sẽ yêu cầu các tập dữ liệu tốt hơn – đặc biệt là các cảnh quay chất lượng cao về thể thao như quần vợt, ném đĩa, bóng chày và cricket.

Nghiên cứu cũng kiểm tra xem liệu sự tuân thủ vật lý của một mô hình có tương quan với các chỉ số chất lượng video khác, chẳng hạn như thẩm mỹ và sự mượt mà của chuyển động. Các phát hiện cho thấy không có sự tương quan mạnh mẽ, nghĩa là một mô hình không thể cải thiện hiệu suất của mình trên VideoPhy-2 chỉ bằng cách tạo ra các video trực quan hấp dẫn hoặc chuyển động mượt mà – nó cần có một sự hiểu biết sâu sắc hơn về sự thông minh vật lý.

Mặc dù bài báo cung cấp nhiều ví dụ định tính, nhưng ít ví dụ tĩnh được cung cấp trong tệp PDF dường như liên quan đến các ví dụ video rộng rãi mà các tác giả cung cấp tại trang web dự án. Do đó, chúng tôi sẽ xem xét một số ví dụ tĩnh nhỏ và sau đó một số ví dụ dự án video thực tế.

Hàng trên hiển thị các video được tạo ra bởi Wan2.1. (a) Trong Ray2, xe máy trên bên trái bị tụt lại phía sau trước khi di chuyển ngược lại. (b) Trong Hunyuan-13B, búa tạ bị biến dạng giữa chừng và một tấm ván gỗ bị gãy xuất hiện một cách bất ngờ. (c) Trong Cosmos-7B, cây ném lao ra khỏi tay trước khi chạm đất.

Về ví dụ kiểm tra định tính trên, các tác giả nhận xét:

‘[Chúng tôi] quan sát thấy các vi phạm về sự thông minh vật lý, chẳng hạn như xe máy di chuyển không tự nhiên theo hướng ngược lại và sự biến dạng của một búa tạ rắn, vi phạm các nguyên tắc của đàn hồi. Tuy nhiên, ngay cả Wan cũng thiếu sự thông minh vật lý, như được hiển thị trong [clip được nhúng ở đầu bài viết này].

‘Trong trường hợp này, chúng tôi nhấn mạnh rằng một viên đá bắt đầu lăn và tăng tốc lên dốc, vi phạm luật trọng lực.’

Các ví dụ khác từ trang web dự án:

Click để phát. Ở đây, chú thích là ‘Một người quay mạnh một chiếc khăn ướt, nước bắn ra ngoài theo một vòng cung có thể nhìn thấy’ – nhưng nguồn nước thực sự giống một vòi nước hơn là một chiếc khăn.

Click để phát. Ở đây, chú thích là ‘Một nhà hóa học rót một chất lỏng trong suốt từ một bình vào một ống nghiệm, cẩn thận tránh đổ’, nhưng chúng ta có thể thấy rằng thể tích nước được thêm vào bình không nhất quán với lượng nước thoát ra từ bình.

Like đã đề cập ở đầu, khối lượng tài liệu liên quan đến dự án này vượt quá khả năng bao quát của chúng tôi. Do đó, vui lòng tham khảo bài báo nguồn, trang web dự án và các trang web liên quan được đề cập trước đó, để có một cái nhìn tổng quan chi tiết về các thủ tục của tác giả và nhiều ví dụ kiểm tra và chi tiết thủ tục hơn.

* Về nguồn gốc của các chú thích, bài báo chỉ quy định ‘được thu thập cho các nhiệm vụ này’ – dường như là rất nhiều để được tạo ra bởi 12 công nhân AMT.

Được xuất bản lần đầu vào thứ Năm, ngày 13 tháng 3 năm 2025