稳定且反事实鲁棒的物理世界模型：施加结构与学习物理
Get the story
2026-10-02，arXiv·Machine Learning Theory 发布论文，提出通过施加通用物理结构（梯度动力学、能量约束、单向端口、已知驱动通道与可分离参数映射），让约 9000 参数的世界模型同时满足第二定律相容性、干预响应、一百倍训练时长稳定性和抗扰动。在电磁腔、粒子网格和浅水流体上，模型恢复本构函数斜率接近 1，用同一组权重区分守恒与耗散世界的能力达四个数量级，非线性本构律曲率得以保留，对未见干预的预测比收敛线性模型好 2-17 倍。
Generated from reports · updated 4 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Machine Learning Theory稳定且反事实鲁棒的物理世界模型：施加结构与学习物理
论文提出通过施加通用物理结构（梯度动力学、能量约束、单向端口、已知驱动通道与可分离参数映射），让约 9000 参数的世界模型同时满足第二定律相容性、干预响应、一百倍训练时长稳定性和抗扰动。在电磁腔、粒子网格和浅水流体上，模型恢复本构函数斜率接近 1，用同一组权重区分守恒与耗散世界的能力达四个数量级，非线性本构律曲率得以保留，对未见干预的预测比收敛线性模型好 2-17 倍。
Heat trend
Current heat 9·Comparable peak 10（Oct 2）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.