Физика в ИИ-видео: лучшая модель держит её в 44% случаев

10 ноября 2026 года вышла работа PhyRubric: описание сцены заранее раскладывается на физические пункты, и каждый проверяется с отметкой времени. Лучшая модель проходит тест в 44,20% случаев, лучшая открытая в 14,93%. Разбираю цифры и то, что из них следует для заказчика реалистичного видео.

Кадр с опрокинутым стаканом и падающим шаром рядом с чек-листом, где один пункт перечёркнут
01

Что проверили в University of Illinois Chicago

10 ноября 2026 года в arXiv появилась работа PhyRubric: Rubric-Grounded Diagnostic Evaluation of Physical Commonsense in Text-to-Video Generation. Авторы из University of Illinois Chicago задали неудобный вопрос: как понять, что модель нарушила физику, если смотреть на клип глазами.

База PhyRubric-Bench: 245 описаний, 34 категории, пять областей физики (механика, оптика, тепло, электричество, акустика), 2 433 сгенерированных клипа. Отдельно 3 788 видео в наборе PhyRubric-Train, на нём дообучен открытый судья PhyRubric-Judge на 8B, собранный из Qwen3-VL-8B-Instruct. По совпадению с оценками людей этот судья держится на уровне закрытой Gemini 4 Argon, так что дорогую модель для проверки держать не обязательно.

02

Почему одна оценка на глаз ничего не объясняет

Классический бенчмарк видео работает так: человек смотрит клип и ставит балл от одного до пяти. Оценка субъективная, второй просмотр даёт другой балл, а главное, по ней не видно, какой принцип сломан. Клип, где упавший стакан отскакивает как мяч, получит тройку. Что именно в этой тройке, столкновение, вес или траектория, остаётся догадкой.

PhyRubric делает часть работы заранее. Каждое текстовое описание раскладывается на пункты: смысловые, то есть что просили показать, и физические, то есть что при этом обязано выполняться. Потом видео проверяется по каждому пункту отдельно, с отметкой времени, где произошло нарушение. На выходе диагностика, по которой можно править промпт.

Схема: описание сцены расходится на три пункта-проверки, один пункт провален у отметки на линейке времени
03

Сколько моделей держат описание и физику одновременно

В тесте 10 моделей. Зачёт идёт только там, где клип совпадает с описанием и не ломает физику. Seedance 2.5: 44,20%. Veo 3.1: 36,20%. Лучшая открытая модель HunyuanVideo-1.5-8B: 14,93%.

Есть цифра резче. Доля прогонов, где запрошенное событие вообще не показано, у открытых моделей составляет от 20,0% до 44,5%, у закрытых от 5,7% до 8,6%. Это другой провал, чем неудачная постановка: запрошенного события в кадре просто нет.

04

Ошибки идут двумя полюсами

40,8% оценённых видео получают по физике 1 или 2 балла, то есть грубое нарушение. 52,9% получают чистую пятёрку. Середина встречается редко, и для практики это удобно: клип либо прошёл проверку, либо сломан всерьёз и требует нового прогона.

05

Что ломается чаще всего

Самый частый провал это пропущенное следствие, 24,0% от всех провалов. Попросили налить воду, вода не льётся из чашки и уровень в стакане не растёт. Попросили уронить предмет, предмет висит в воздухе. Сцена снята, причинно-следственная связь не снята.

Второй тип это постоянство и счёт объектов, 20,4% провалов. Предметы исчезают между кадрами, удваиваются, два стакана сливаются в один. По таблице авторов у Seedance 2.5 пропущенное следствие встречается в 11,3% видео, у Veo 3.1 в 14,7%. По постоянству и счёту разрыв ещё больше: 5,2% у Seedance 2.5 и 12,9% у Veo 3.1. Отсюда практический вывод: сравнивать модели полезно по тому типу ошибки, который важен именно для вашей сцены.

06

Что это значит для заказчика реалистичного видео

Сегодня физика в ИИ-видео упирается в следствие: налили, потекло, уронили, упало. Авторы заканчивают формулировкой physical commonsense remains far from solved, и это честная оценка: даже лидер проходит тест меньше чем в половине случаев.

Практика, которую я закладываю в смету. Сцены с причиной и следствием (налить, разбить, уронить, открыть) идут с дублями, потому что с первого раза следствие часто выпадает. Количество предметов в кадре считается глазами на каждом прогоне: два стакана вместо одного это брак, который замечают зрители, хотя автор его пропустил. Один удачный прогон ничего не доказывает, его нужно повторить.

Когда в брифе стоит реалистичное видео, заказчик обычно имеет в виду свет, кожу и текстуру. Физика всплывает позже, на приёмке, когда стакан не падает. Поэтому тест сцены с причиной и следствием я показываю до основной работы.

В производстве видео нейросетями логика та же: сцена считается готовой, когда она повторяется. Для рекламных задач с причинностью (продукт падает в воду, крем выдавливается, крышка открывается) дешевле сразу планировать лишние прогоны. Где физика критична и прогонов не хватает, выручают ручные ролики: там следствие ставят руками и снимают крупно.

Отдельная привычка, которая экономит репутацию: проверка перед публикацией. Материал на эту тему у нас уже есть, и он хорошо стыкуется с выводами статьи. Если сцена собирается кодом, полезен разбор про видео-кодер: часть ошибок там видна ещё до рендера.

07

Мой вывод

PhyRubric мне нравится тем, что убирает спор о вкусе. Вместо «мне кажется, вода ненастоящая» появляется пункт с отметкой времени.

Ставку на 2027 год я делаю такую: закрытые модели пока не решают физику, поэтому планирование сцен строю от простого к сложному. Сначала статика и один предмет, потом движение, потом взаимодействие двух объектов. Сцены с взаимодействием заказываю с запасом прогонов и с приёмкой по чек-листу, без оценки на глаз.

Ещё одна мысль про ожидания клиента. Фраза «физически правдоподобно» в брифе проверяется на готовом файле, и лучше, чтобы проверял её тот, кто писал сценарий. Показать заказчику тест проблемной сцены до основной работы дешевле, чем объяснять на смонтированном ролике, почему вода стоит на месте.

частые вопросы

01Что такое PhyRubric
Бенчмарк и набор правил для проверки физики в сгенерированном видео. Каждое описание заранее разбивается на пункты, и клип проверяется по ним с отметкой времени нарушения. Работа вышла 10 ноября 2026 года, авторы из University of Illinois Chicago.
02Насколько плохо у видеомоделей с физикой
Лучший результат в тесте 44,20% у Seedance 2.5, у Veo 3.1 36,20%, у лучшей открытой модели 14,93%. Сами авторы пишут, что физическое здравомыслие далеко от решения.
03Чем открытые модели хуже закрытых
По этому тесту разница заметная. У открытых моделей от 20,0% до 44,5% прогонов вообще не показывают запрошенное событие, у закрытых таких прогонов от 5,7% до 8,6%. При этом судью для проверки можно взять открытого: PhyRubric-Judge на 8B по совпадению с людьми не уступает закрытой Gemini 4 Argon.
04Как проверить свой ролик на физику
Смотреть на следствие и на счёт предметов. Налили воду, уровень растёт. Уронили предмет, предмет падает. В кадре столько предметов, сколько просили. Клип, где всё сошлось с первого раза, стоит прогнать ещё раз: по данным статьи 40,8% видео получают по физике 1 или 2 балла, так что один удачный прогон это везение.