arXiv · 机器人与计算机视觉· Samuele Punzo, Niccol\`o Caselli, Ippokratis Pantelidis, Francesco Massafra, Salvatore Lo Sardo, Mohammadreza Salehi·· 17 天前AI 评分66
视频基础模型如何编码直觉物理:跨预训练范式的探测研究
How Do Video Foundation Models Encode Intuitive Physics? Probing Across Pretraining Paradigms
AI 导读
该论文探究视频基础模型是否在冻结表征中编码了可用的直觉物理信息,以及这种能力是否自然涌现于大规模视频预训练中。研究利用 IntPhys2 和 MVP 基准,对比了预测联合嵌入(V-JEPA)、掩码重建(VideoMAE)和扩散生成(LTX-Video)三类模型在冻结特征上的表现。
来源:arXiv · 机器人与计算机视觉 · arxiv.org