PhiZero

该方法使用物理语言 tokenizer 和物理语言推理器，把视觉经验转换为可复用的转移 token。这使模型能够描述富含运动的交互、迁移身体或物体动态，并在生成与理解任务中保持物理一致性。

PhiZero 适合从事视频世界模型、机器人相关表示学习和可控视频生成的研究人员。其显式物理语言层为理解、复用和渲染已学习动态提供了接口，而不是把视频生成视为纯粹的像素级过程。