这项由伊利诺伊大学厄巴纳-香槟分校（UIUC）联合斯坦福大学与哥伦比亚大学共同开展的生成研究，于2026年6月以预印本形式发布，理世理解论文编号为arXiv:2606.24256。界真记硬研究团队构建了一个名为TailOR的还死评测基准，旨在深度检验当下最先进的生成图像与视频生成模型：它们究竟是真正“懂得”物理世界的运作规律，还是理世理解仅仅在训练数据中见过的画面里拼凑重组，进行模式匹配式的界真记硬输出。
这不仅仅是还死一次技术测试，更触及了AI能力的生成本质。如今，理世理解AI工具被广泛用于生成图像和视频，界真记硬展现出惊人的还死创造力——从精美的场景构建到水流、火焰及物体碰撞的生成模拟。然而，理世理解当面临训练数据中极少出现的界真记硬“长尾场景”时，例如“用硬币拧松螺丝”或“用精装书砸开核桃”，模型是否还能保持逻辑自洽？这正是TailOR试图解答的核心命题。
一、 为什么AI的“世界常识”值得被怀疑？
现实世界中的物理互动并非均匀分布，而是呈现出明显的“头部-长尾”分布特征：
- 高频交互（头部场景）：如用锤子钉钉子、剪刀剪纸、螺丝刀拧螺丝。这些场景在海量训练数据中反复出现，构成了AI的主要学习素材。
- 低频交互（长尾场景）：如用硬币代替螺丝刀、用厚书代替锤子、用棉花糖击碎核桃。这些场景虽在物理上可行或不可行，但在训练数据中缺乏直接对应案例。
研究团队将前者定义为“头部场景”，后者定义为“长尾场景”。核心矛盾在于：模型在头部场景的高分，可能源于对训练数据的“死记硬背”，而非对物理规律的理解。这就像学生背熟了教材例题，却缺乏解题思维，一旦遇到新题型便束手无策。
尽管当前主流模型（如OpenAI的Sora-2）在MMGR等基准测试中表现优异（物理准确度86%，视觉真实感92%），但这些测试多聚焦于常见场景。因此，一个关键问题浮现：这些模型是真正理解了物体间的物理互动，还是仅仅在复现统计规律？
二、 TailOR的三层考试：从常规到反常再到不可能
TailOR通过递进式的三层测试，层层剥离模型的“伪装”，揭示其真实能力：
1. 第一层：常规场景（基础题）
- 定义：常见的工具-任务配对，如“螺丝刀拧螺丝”、“锤子砸核桃”。
- 目的：测试模型的基本记忆与复现能力，作为基准热身。
2. 第二层：非常规场景（进阶题）
- 定义：使用功能上可行但非标准的替代工具。例如，用硬币（具备硬度和扁平边缘）代替螺丝刀，或用厚精装书（具备质量和硬度）代替锤子。
- 目的：测试模型的属性推理能力。模型需识别工具的物理属性，并判断其在非标准情境下的有效性，而非单纯依赖视觉模式。
3. 第三层：不可能场景（挑战题）
- 定义：使用物理上完全无法完成任务的工具。例如，用干意大利面（无硬度、易断）拧螺丝，或用棉花糖（无传导力）砸核桃。
- 目的：测试模型的约束意识与失败识别能力。模型应生成展示工具无效或失败的结果，而非强行生成成功的幻觉。
双维度提示策略
为了进一步拆解能力，TailOR为每层场景设计了两种提示方式：
* 预测式生成：仅描述操作过程，让模型自行推断结果（测试内在物理推理能力）。
* 描述式生成：直接告知预期结果，要求模型忠实呈现（测试指令执行与状态还原能力）。
三、 数据集构建：精心设计的流水线
TailOR并非随机收集数据，而是经过严谨的自动化生成与人工审核流程：
- 基础提取：从HICO-DET数据集中筛选出18种代表性人体-物体交互动作（如阻挡、打破、切割、锤击等），并标注其物理原理与工具属性。
- LLM辅助生成：利用GPT-5为每种动作生成任务目标、原始工具、预期结果及属性要求。
- 工具变体生成：
- 非常规工具：满足相同物理属性但非日常选择的替代品。
- 不可能工具：通过反转关键属性（如“坚硬”变“柔软”），在ConceptNet知识图谱中寻找对应物体。
- 人工审核：
- 第一轮：由CS研究生和物理本科生审核任务合理性，剔除模糊或难以视觉化的案例。
- 第二轮：审核提示词与评估细则，确保清晰度与一致性。
最终规模：包含80个核心任务，每个任务含5个工具变体（1常规+2非常规+2不可能），每个变体生成4种提示（预测/描述 x 图像/视频），共计1600个评测提示。场景覆盖室内（61.3%）与室外（38.8%），具备高度多样性。
四、 评估体系：四把不同的尺子
TailOR采用多维度互补的评估标准，结合人工与自动评测：
1. 指令遵从度（百分比）
- 实体完整性：场景要素（工具、目标、背景）是否齐全。
- 属性准确性：工具物理属性（如硬度、材质）呈现是否准确。
- 场景合理性：空间位置、比例及物理可能性是否合理。
2. 交互准确度（百分比）
- 状态变化正确性：互动后物体状态（如核桃破裂、螺丝松动）是否符合预期。
- 功能对应性：工具施力部位与接触方式是否符合几何与材料特性。
- 运动合理性（仅视频）：动作轨迹连贯性及物理过程自然度。
3. 物理真实感（0-5分）
评估是否符合重力、接触力学、材料约束及因果关系。0分为明显违反，5分为完全一致。
4. 感知质量（0-5分）
评估视觉清晰度、渲染质量及视频帧间一致性。
评测执行：
* 人工评测：9名专家标注员独立评分，取平均值。
* 自动评测：使用Gemini-2.5-Pro作为评判模型，经验证，其排名与人工评测高度一致，证明自动评测的可靠性。
五、 八大模型实测：结果揭示普遍局限
研究测试了4款图像模型（Z-Image, Qwen-Image, GPT-Image-1, Nano-Banana-2）和4款视频模型（HunyuanVideo-1.5, Wan-2.2, Sora-2, Veo-3.1），得出三大规律：
规律一：系统性性能下滑
所有模型从常规到非常规，再到不可能场景，性能均显著下降。
* 图像模型：Nano-Banana-2在常规场景指令遵从度达69%，但在不可能场景降至42%。
* 视频模型：Sora-2在常规场景达66%，在不可能场景降至39%。
* 物理真实感：Sora-2从3.1分跌至2.2分。
这一趋势在所有模型和维度中同步出现，表明这是整个领域的普遍性瓶颈，而非个别缺陷。
规律二：视频模型更难应对长尾场景
视频生成需维持多帧间的一致性，错误易呈“级联式”爆发。视频模型尤其倾向于在不可能场景中产生“幻觉”，即无视工具物理属性的缺失，强行生成“成功”结果（如用干面条拧松螺丝），完全违背物理逻辑。
规律三：自动评测可靠性验证
无论评测方式如何，Nano-Banana-2（图像）和Sora-2（视频）均被一致评为最优。这证实了TailOR自动评测体系的有效性，可用于大规模低成本评估。
六、 失败解剖：模型错在哪里？
图像模型的典型失败
- 常规场景：结果错误（该发生未发生）或属性不准确（比例/材质错误，如锤子与钉子穿插）。
- 非常规场景：功能对应性错误（如用书砸核桃时，书不合理弯曲或未正确施力）。
- 不可能场景：指令遵从失败（无视“软海绵”约束，将其表现为有效切割工具）。
视频模型的典型失败
- 常规场景：运动不合理（动作突兀、抖动）。
- 非常规场景：功能对应性错误（书在击打过程中像软垫变形，无法钉入钉子）。
- 不可能场景：跨帧不一致（核桃无故开裂，或软工具无变形，因果链条断裂）。
七、 关键发现：告诉模型答案，反而更糟？
实验揭示了一个反直觉现象：对于视频模型，描述式生成（告知结果）的得分往往低于预测式生成（自行推断）。
- 原因分析：视频模型对训练数据中的常见模式存在强烈的“惯性”。一旦首帧确立物体存在（如核桃），模型倾向于沿最熟悉的轨迹（核桃破碎）生成后续帧。这种“视觉模式偏好”强大到足以抵抗明确的指令约束，导致模型生成“熟悉但错误”的结果。
- 图像模型：描述式生成有一定提升（尤其在实体完整性上），但在属性准确性上改善有限。
结论：当前生成模型的失败不仅是缺乏物理推理（导致预测失败），更是因为强烈的视觉模式偏好（导致指令执行失败）。两者共同限制了其作为“世界模拟器”的能力。
八、 根源诊断：训练方式的局限
现有模型在训练时主要追求视觉逼真度，导致其将“工具-任务”配对作为整体模板记忆（如“锤子+钉子”模板），而非理解背后的物理逻辑（质量、硬度、力传导）。
- 类比：模型如同只会背公式的学生，遇到原题熟练，换角度则迷失。
- 缺失：缺乏对“质量”、“硬度”等底层物理属性的抽象理解及在新情境下的组合推理能力。
TailOR不仅是一把尺子，更是一次诊断。它表明，尽管当前模型在“好看”和“流畅”上表现出色，但在“真正理解”物理世界方面存在显著缺口。
对用户的启示
- 常见场景：AI能生成令人满意的结果。
- 长尾/不可能场景：需谨慎对待，AI可能因模式惯性产生逻辑谬误或幻觉。
未来方向
- 引入物理归纳偏置：训练模型学习可复用的物理原语（硬度、几何、力传导方向），而非仅记忆视觉模板。
- 增强视频一致性：改进长程状态追踪、力传导建模及约束感知的时间规划。
- 扩展基准：向多步操作、多物体因果链及复杂环境动力学延伸。
感兴趣者可访问 arXiv:2606.24256 查阅论文，或在 tailor-bench.github.io 获取项目详情。
Q&A
Q1：TailOR基准测试和普通的AI生成模型评测有什么区别？
A：普通评测多聚焦于训练数据中高频出现的常见场景（如锤子钉钉子）。TailOR专门针对“长尾场景”，包括功能可行但不常见的替代工具（如硬币拧螺丝）以及物理上不可行的工具（如棉花糖砸核桃），以此区分模型是真正理解物理规律，还是仅依赖数据记忆。
Q2：为什么告诉AI视频模型最终结果应该是什么，它反而生成得更差？
A：视频模型对训练数据中的常见模式存在强烈的“惯性”。首帧确立物体后，模型倾向于沿最熟悉的轨迹（如核桃破碎）生成后续帧。这种“视觉模式偏好”强大到能抵抗明确指令，导致模型生成“熟悉但错误”的结果，从而拉低描述式生成的质量。
Q3：TailOR测试了哪些AI模型，哪个表现最好？
A：测试涵盖8款主流模型：
* 图像模型：Z-Image, Qwen-Image, GPT-Image-1, Nano-Banana-2（表现最佳）。
* 视频模型：HunyuanVideo-1.5, Wan-2.2, Sora-2（表现最佳）, Veo-3.1。
尽管Sora-2和Nano-Banana-2相对领先，但所有模型在长尾场景下均出现显著性能下滑。