这项突破性研究由北卡罗来纳大学教堂山分校的黄懿东、王尊、林翰、张悦、班萨尔·莫希特教授，联合FieldAI公司的金东基、沙耶根·奥米德沙菲，以及南洋理工大学的尹在宏教授共同完成，发表于2025年11月的arXiv预印本平台，论文编号为arXiv:2511.17450v1。这项名为"SketchVerify"的创新框架，首次让AI能够像电影导演一样，在正式拍摄前用草图预演来完善运动规划，从而生成更符合物理定律的视频内容。

当我们观看一部精彩的动作电影时，很少会注意到每个物体的运动都严格遵循着物理定律。球会因重力而下落，撞击会产生合理的反作用力，液体会自然流动。然而，当前的AI视频生成技术却经常在这些基本物理常识上"翻车"——生成的视频中可能出现球体在空中漂浮、物体穿墙而过，或是机械臂抓取物品时完全违背常理的动作。这就像是一个从未接受过物理教育的业余导演在拍摄科幻片，结果却制造出了各种让观众哭笑不得的"物理bug"。

现有的AI视频生成方法主要分为两大类。第一类是"一次性规划"方法，就像一个冲动的导演，拿到剧本后立即开拍，不做任何预演或修正。这种方法虽然快速，但经常产生不合理的运动轨迹。第二类是"迭代改进"方法，类似于一个完美主义的导演，会反复拍摄同一个镜头直到满意为止。虽然最终效果更好，但这种方法需要大量的计算资源，每次重拍都要消耗巨大的时间和成本。

研究团队提出的SketchVerify框架就像是为AI导演配备了一个经验丰富的副导演和一支专业的预演团队。在正式"拍摄"视频之前，系统会先用简单的草图快速预演各种可能的运动方案，然后请一位"物理顾问"来评判这些方案是否符合现实规律。只有通过了这位苛刻顾问审查的运动方案，才会被用于最终的视频生成。

一、从剧本到草图：智能规划师的三步走策略

SketchVerify的工作流程就像一个专业电影制作团队的标准操作程序。当系统接收到用户的文本描述和初始图像时，就像是接到了一个新的拍摄任务。

首先，系统会请来一位"剧本分析师"——这是一个大型语言模型，专门负责将复杂的动作描述分解成一系列简单的子动作。比如用户要求"机械臂将胡萝卜放入金属碗中"，分析师会将其拆解为两个连续的动作："机械臂接近胡萝卜"和"机械臂抓起胡萝卜并移动到金属碗"。这种分解就像是将一部长篇小说改编成分镜头剧本，每个镜头都有明确的目标和时间安排。

接下来，系统会启动"道具组"的工作——使用先进的物体检测和分割技术，精确识别场景中所有需要移动的物体。这个过程使用了GroundedSAM技术，就像是一个经验丰富的道具师，能够准确地从复杂场景中提取出每个重要物体，并为它们制作精确的"数字替身"。同时，系统还会创建一个干净的静态背景，就像是搭建一个标准的拍摄场地，为后续的动作预演提供理想环境。

最关键的创新在于"草图预演"环节。对于每个子动作，系统会生成多个不同的运动候选方案。这就像是让多个副导演同时设计不同版本的动作编排，每个版本都有略微不同的路径、速度或节奏。然后，系统会将这些运动方案快速转换成简单的视频草图——将物体从原始位置"剪切"下来，按照预设轨迹在静态背景上移动，生成轻量级的预览动画。

这种草图渲染的巧妙之处在于，它保留了运动的核心信息——物体在时间和空间上的位置变化，但省略了复杂的光影效果、纹理细节等视觉元素。就像戏剧排练时演员会用简单的道具和动作来演示完整表演一样，这些草图足以让"物理顾问"判断动作是否合理，但生成速度却比完整视频快了近十倍。

二、苛刻的物理顾问：多重视角的运动质量审核

SketchVerify系统最独特的创新在于引入了一位极其专业的"物理顾问"——一个多模态视觉语言模型，专门负责评估每个运动方案的合理性。这位顾问的工作方式就像是一个同时拥有物理学博士学位和丰富电影制作经验的专家，能够从两个关键维度对动作进行评估。

第一个维度是"语义一致性"检查。顾问会仔细对比动作的起始状态和结束状态，确认物体是否真正按照指令完成了预期动作。比如，如果指令是"球向篮筐移动"，顾问会检查球在动画结束时是否确实更接近篮筐。这个过程类似于一个严格的导演在检查演员是否准确执行了剧本要求，确保每个动作都与故事情节完全吻合。

第二个维度更加复杂，那就是"物理合理性"评估。研究团队为顾问制定了四条基本物理定律的检查标准。首先是"牛顿定律一致性"——物体的加速和减速必须符合现实物理规律，不能出现突然的瞬间移动或违反惯性的运动。就像真实世界中推动一个重物需要逐渐加力一样，AI生成的运动也必须展现这种渐进性。

其次是"穿透违规检测"——移动的物体不能直接穿过静态物体或场景元素。这听起来很基础，但实际上是AI视频生成中最常见的错误之一。顾问就像一个细心的物理老师，会仔细检查是否有物体"鬼魅般"地穿墙而过。

第三个检查项是"重力连贯性"——所有垂直方向的运动必须符合重力的影响。物体不能无缘无故地悬浮在空中，也不能以违背重力的方式运动。顾问会特别关注抛物线运动是否自然，跳跃动作是否有合理的上升和下降过程。

最后是"形变一致性"——除非有特殊指令，否则物体的大小和形状应该在整个运动过程中保持稳定。这确保了物体在移动过程中不会出现莫名其妙的拉伸、压缩或扭曲。

这位顾问使用了巧妙的评分机制。对于每个运动候选方案，它会给出0到1之间的分数，其中1分代表完美的物理合理性，0.7到0.9分代表大体合理但有小瑕疵，0.4到0.6分代表部分可接受，而0到0.3分则代表明显违反物理定律。系统会综合语义一致性和物理合理性的分数，选择得分最高的运动方案作为最终选择。

如果所有候选方案的分数都低于预设阈值，系统就像一个不满意的导演，会要求重新设计动作方案。它会向"副导演"提供改进建议，然后生成新一批候选方案，直到找到一个令人满意的解决方案。这种迭代过程确保了最终选择的运动方案既符合用户意图，又遵循基本的物理规律。

三、实验验证：在两大权威测试平台上的卓越表现

为了验证SketchVerify的实际效果，研究团队选择了两个业界公认的权威测试平台进行全面评估。这就像是让一个新演员同时在百老汇和好莱坞接受考验，只有在两个完全不同的舞台上都表现出色，才能证明其真正的实力。

第一个测试平台是WorldModelBench，这是一个专门评估AI视频生成模型作为"世界模拟器"能力的综合性基准测试。它涵盖了人类活动、自然现象、电子游戏和机器人操作等七个主要领域，总共包含350个不同的测试场景。每个场景都像是一个精心设计的小型电影片段，要求AI不仅要生成视觉上令人信服的视频，更要展现对现实世界运行规律的深度理解。

在这个测试中，SketchVerify的表现令人印象深刻。在指令遵循能力方面，系统获得了2.08分的高分，相比基础模型提升了10.6%。这意味着系统能更准确地理解和执行用户的复杂指令，就像一个训练有素的演员能够准确诠释导演的意图一样。

在物理定律一致性方面，SketchVerify在多个维度上都表现出色。特别值得注意的是，在物体变形一致性方面取得了满分1.0，在重力连贯性和穿透检测方面也获得了1.0的完美分数。最显著的改进出现在变形一致性上，相比基础模型减少了17%的错误率。这就像是从一个经常出现"穿帮镜头"的业余制作升级到了好莱坞级别的专业水准。

第二个测试平台PhyWorldBench专注于评估AI生成视频的精细物理真实性。这个平台包含350个专门设计的测试提示，每个都针对特定的物理现象，如牛顿运动、重力效应、碰撞反应等。就像是专门为物理学家设计的视频质量检验标准，要求每个细微的运动都必须符合科学原理。

在PhyWorldBench上，SketchVerify同样展现了强劲实力。系统获得了19.84的综合分数，在物理标准类别中更是达到了23.52的高分，明显超越了其他竞争对手。相比基础模型，SketchVerify在物体事件准确性方面提升了22%，在物理准确性方面提升了18%。这种提升幅度证明了系统在理解和模拟现实世界物理规律方面取得了实质性突破。

研究团队还进行了大量的对比实验，将SketchVerify与当前最先进的开源视频生成模型进行比较，包括CogVideoX、Cosmos、HunyuanVideo、Open-Sora等知名系统。结果显示，SketchVerify在几乎所有评估维度上都取得了最佳表现，特别是在物理一致性和长期时间连贯性方面的优势最为明显。

更重要的是，SketchVerify在提升质量的同时还大幅降低了计算成本。传统的迭代改进方法通常需要超过30分钟来完成一个视频的规划和生成过程，而SketchVerify只需要大约5分钟就能完成整个流程，效率提升了近90%。这种效率优势的核心在于用轻量级草图替代了昂贵的完整视频生成，在保持验证质量的同时大幅减少了计算开销。

四、技术细节剖析：从草图到成片的完整工作流

SketchVerify的技术实现就像是一个精密的瑞士钟表，每个组件都有其特定的功能，并且相互协调工作。整个系统的技术架构体现了"分而治之"的智慧，将复杂的视频生成任务分解为多个可管理的子问题。

在高级规划阶段，系统使用GPT-4.1作为主要的"战略规划师"。当接收到用户输入的文本提示时，这个规划师会像一个经验丰富的项目经理一样，将任务分解为1到4个子指令，每个子指令都有明确的目标和时间分配。比如，对于"机械臂将胡萝卜放入碗中"这样的复杂任务，规划师会自动识别出"接近"、"抓取"、"移动"、"放置"等关键动作阶段。

在物体识别和背景处理方面，系统采用了当前最先进的视觉识别技术。GroundedSAM技术就像是一个拥有鹰眼般敏锐视觉的助手，能够在复杂场景中精确定位和分割每个相关物体。对于背景处理，系统使用了基于FLUX架构的Omnieraser模型，这个工具能够智能地移除移动物体并填补背景空白，创造出一个完美的"虚拟舞台"。

轨迹采样是系统的核心创新之一。对于每个子指令，规划师会生成五个不同的候选轨迹，每个轨迹都表示为一系列边界框坐标，记录物体在每一帧的精确位置。这种设计确保了系统有足够的选择空间，就像是为每个场景准备多个备用方案。系统还实施了多样性过滤机制，确保不同候选方案之间有足够的差异性，避免产生过于相似的选择。

草图渲染技术是整个系统的巧妙之处。系统不是生成完整的高质量视频，而是创建简化的动画草图。这个过程就像是用剪纸动画的方式预览复杂的3D动画效果——将物体从原始图像中"剪切"出来，然后按照预设轨迹在静态背景上移动。这种方法保留了运动的核心信息，但渲染速度比完整视频生成快了接近十倍。

验证阶段使用了Gemini 2.5作为主要的评估引擎。这个多模态模型就像是一个具有丰富经验的电影评论家，能够同时理解视觉内容和文本描述。验证过程包含两个并行的评估通道：语义对齐通道检查动作是否符合指令要求，物理合理性通道则从四个不同角度评估运动的科学准确性。

为了确保评估的客观性和一致性，系统使用了结构化的评分提示和少样本学习技术。每个物理定律都有专门设计的评估标准和示例案例，帮助验证模型做出准确判断。评分结果会通过预定义的映射规则转换为数值分数，确保不同评估之间的可比性。

最终的视频生成阶段使用了ATI-14B模型，这是一个专门针对轨迹条件优化的图像到视频扩散模型。系统会将验证通过的最佳轨迹转换为密集的轨迹表示，然后将其作为条件信息注入到扩散过程中。这种设计确保了最终生成的视频严格遵循预先验证的运动规划，同时保持高质量的视觉效果。

整个工作流程的时间分配也经过了精心优化。高级规划平均耗时14.16秒，物体检测和背景处理需要108秒，而每个子指令的轨迹规划和验证平均需要72.5秒。这种时间分配确保了系统在保持高质量输出的同时，仍能在合理的时间范围内完成任务。

五、深度对比分析：多维度验证系统优势

为了全面验证SketchVerify的有效性，研究团队设计了一系列精心控制的对比实验，就像是一个严格的科学实验室在测试新药效果时需要设置多个对照组一样。

在验证方式对比实验中，研究团队特别关注了三种不同的验证策略。第一种是"无验证"基线，相当于完全依赖一次性规划，不进行任何质量检查。第二种是"基于完整生成的验证"，需要为每个候选方案生成完整的高质量视频，然后进行评估。第三种就是SketchVerify采用的"基于草图的验证"方法。

实验结果显示，基于草图的验证方法在保持验证质量的同时，实现了近十倍的效率提升。具体来说，完整视频验证需要大约40分钟完成整个规划过程，而草图验证只需要4分钟左右。更重要的是，两种方法在最终视频质量上的差异微乎其微，这证明了草图能够有效捕捉运动规划的核心信息。

在验证模型规模对比中，团队测试了不同规模的多模态语言模型作为验证器的效果。实验包括了从30亿参数的Qwen2.5-VL-3B到320亿参数的Qwen2.5-VL-32B等多个不同规模的模型。结果表明，更大规模的模型在空间推理和物理常识方面表现更优秀，能够提供更准确的轨迹评估。这就像是经验更丰富的专家能够做出更准确的专业判断一样。

采样预算对比实验揭示了一个重要规律：增加候选轨迹的数量能够持续提升最终的视频质量。当候选轨迹数量从1个增加到5个时，指令遵循分数从1.46提升到2.08，物理一致性分数也有显著改善。这种改善遵循着边际递减的规律，但即使在5个候选方案的设置下，系统仍然保持着很高的效率。

特别有趣的是模态对比实验。研究团队比较了纯文本验证和多模态验证的效果差异。纯文本验证只能基于轨迹的文本描述进行评估，而多模态验证能够直接"观看"草图视频。结果显示，多模态验证在空间推理和物理常识判断方面明显优于纯文本方法，证明了视觉信息在运动质量评估中的重要性。

在与现有方法的横向对比中，SketchVerify展现出了全面的优势。相比传统的单次规划方法如VideoMSG，新系统在指令遵循方面提升了42%，在物理一致性方面提升了6%。相比迭代改进方法如PhyT2V，SketchVerify在保持相当质量水平的同时，将计算时间减少了93%。

定性结果分析更是令人印象深刻。在人类活动领域，SketchVerify生成的视频中，人物跳跃动作展现出自然的重力效应，身体各部位协调运动，避免了常见的"悬浮"或"穿模"错误。在自然现象模拟中，雪花的下滑轨迹符合坡度和重力的影响，形成连续流畅的运动。在机器人操作场景中，机械臂的抓取和移动动作表现出合理的接触关系和稳定的物体控制。

这些对比实验不仅验证了SketchVerify的技术优势，更重要的是证明了其设计理念的正确性：通过在规划阶段进行充分的验证和优化，可以在不增加生成成本的情况下显著提升最终视频的质量。

六、实际应用前景与技术局限

SketchVerify的出现为多个实际应用领域打开了新的可能性。在机器人教学和训练领域，这项技术能够生成高度真实的操作演示视频，帮助机器人学习复杂的物理交互技能。工程师可以通过简单的文本描述来创建各种操作场景的训练数据，而不需要实际进行昂贵和危险的物理实验。

在自动驾驶技术开发中，SketchVerify可以生成各种道路场景的模拟视频，包括复杂的交通状况、天气变化和突发事件。这些模拟视频严格遵循物理定律，能够为自动驾驶算法提供更可靠的测试环境。相比传统的3D渲染方法，这种基于AI的生成方式更加灵活，能够快速创建各种罕见但重要的边缘案例。

游戏和娱乐产业也将从这项技术中受益匪浅。游戏开发者可以使用SketchVerify快速生成符合物理规律的动画序列，大大减少手工制作的工作量。特别是对于独立游戏开发者来说，这种技术能够帮助他们以较低成本创作出高质量的游戏内容。

在教育领域，SketchVerify可以用来创建物理现象的可视化演示，帮助学生更好地理解抽象的科学概念。教师可以通过简单的文本描述来生成展示重力、惯性、碰撞等物理现象的教学视频，使课堂教学更加生动直观。

然而，SketchVerify也面临着一些技术局限。首先，系统目前主要处理二维平面内的物体运动，对于复杂的三维交互场景支持有限。比如，涉及复杂空间旋转、多物体碰撞或流体动力学的场景仍然具有挑战性。这就像是一个优秀的平面动画师在面对立体动画任务时会遇到困难一样。

其次，系统的验证能力主要依赖于大型语言模型的物理常识，而这些模型偶尔会做出错误判断。虽然通过多样本评估和结构化提示可以减少这种错误，但完全避免仍然困难。这就像是依赖专家意见进行决策时，专家本身也可能存在判断偏差。

另外，SketchVerify使用边界框来表示物体运动，这种表示方法对于精细的物体交互和复杂几何变化的建模能力有限。对于需要精确接触建模或详细变形模拟的应用场景，可能需要更复杂的表示方法。

运动表示的粒度也是一个限制因素。虽然边界框能够有效捕捉物体的位置和基本尺寸变化，但对于旋转、复杂形变或部分遮挡等情况的处理能力相对较弱。这在处理关节运动、流体行为或柔性物体时可能会产生不够精确的结果。

最后，系统的最终视频质量仍然受到底层视频生成模型能力的制约。即使有了完美的运动规划，如果基础的扩散模型在视觉细节生成方面存在局限，最终结果仍可能不够理想。这就像是有了完美的建筑设计图纸，但如果建筑材料和施工技术有限，最终建筑物的质量仍会受到影响。

尽管存在这些局限，研究团队相信随着基础模型能力的持续提升和三维表示技术的发展，这些问题将逐步得到解决。SketchVerify作为一个开创性的框架，为未来更强大的物理感知视频生成系统奠定了坚实基础。

说到底，SketchVerify就像是为AI视频创作领域引入了一位严格但智慧的"物理导师"。这位导师不仅能够在创作过程中及时指出不合理之处，更重要的是，它用一种高效优雅的方式解决了困扰该领域已久的物理一致性问题。通过将"预演验证"和"正式拍摄"相结合，这个系统证明了在追求效率和质量之间是可以找到完美平衡点的。

虽然目前的技术还有改进空间，但SketchVerify已经为AI视频生成指明了一个清晰的发展方向：不是盲目追求更大更复杂的模型，而是通过巧妙的系统设计和验证机制，让AI真正理解和遵循现实世界的基本规律。这种思路不仅适用于视频生成，对整个人工智能领域的发展都具有重要的启发意义。对于有兴趣深入了解技术细节的读者，可以通过论文编号arXiv:2511.17450v1在arXiv平台查询完整的研究报告。

Q&A

Q1：SketchVerify是什么技术？

A：SketchVerify是由北卡罗来纳大学和FieldAI公司联合开发的AI视频生成框架。它的核心创新是在正式生成视频前，先用轻量级草图预演各种运动方案，然后让AI"物理顾问"评判这些方案是否符合现实物理定律，只选择最合理的方案进行最终视频制作。这就像电影拍摄前的彩排，确保最终成片更逼真合理。

Q2：SketchVerify比传统AI视频生成有什么优势？

A：SketchVerify主要有两大优势：质量更高和效率更快。在质量方面，它生成的视频更符合物理定律，减少了物体悬浮、穿墙等不合理现象，在权威测试中各项物理指标都有显著提升。在效率方面，相比需要反复生成完整视频的传统方法，SketchVerify只需5分钟就能完成规划，比传统方法快了近十倍。

Q3：SketchVerify技术有哪些局限性？

A：SketchVerify目前主要有三个局限：首先是主要处理二维平面运动，对复杂3D交互支持有限；其次是依赖大语言模型进行物理判断，偶尔会出现判断错误；最后是使用边界框表示物体运动，对精细交互和复杂变形的建模能力有限。不过研究团队认为随着技术发展，这些问题会逐步改善。