研究质疑视频世界模型：预测误差多源于外观差异而非物理惊奇

一项评估冻结视频表征的研究发现，V-JEPA2-G、VideoMAE2-G 等模型的预测误差主要受外观与运动差异驱动，难以可靠衡量“物理惊奇”。实验中，色调、亮度、重着色等扰动造成的误差比物理违反高出一个数量级以上；分层探针的平衡准确率仅约 52-54%，接近随机水平。研究据此质疑以潜在预测误差证明视频世界模型具备物理直觉的可靠性。