The Invisible Hand of Physics：视频扩散模型「知道」的物理，比它们展示出来的多
> 量子位技术拆解 · 公式前后都给你直觉。完整结构化数据见「速查」tab。
先看一个反常识的组合：视频扩散模型生成的视频常常违反物理——物体穿过板条箱、东西凭空冒出来，输出侧的评测（Kang et al. 2025、Huberman et al. 2026）早就证明它们无法外推基本力学。可这篇论文（arXiv 2606.05328）却在对 WAN、CogVideoX、LTX 三个扩散模型的内部状态做完探测后给出相反的结论：物理合理性在 transformer 的中间 block 状态里是线性可解码的，准确率甚至超过专门做表征学习的 V-JEPA。模型输出端不兑现物理，内部却在编码物理——这就是标题说的 "know more than they show"。
这个信号有一个干净到近乎苛刻的对照：模型输入侧的 VAE latent 上，探针只有 chance（48–53%）。也就是说，物理信息不在输入里，是 diffusion transformer 自己在计算中构建出来的，而它的训练目标既不是预测式的、也完全没有物理感知。物理表征作为生成计算的副产物涌现，这是本片的第一个核心结论，也是它与 V-JEPA 那类「物理从预测式训练里涌现」（Garrido et al. 2025）最根本的区别。后面我们会看到，这条结论在三个架构、两个基准上都被重复验证。
先看方法：怎么拿到「看不见」的内部轨迹
要回答「扩散模型内部有没有物理结构」，先要解决一个访问问题：扩散模型从不暴露真实视频对应的 latent 轨迹。这篇的做法是把采样过程显式倒过来跑。flow matching 模型学的是一个时变速度场 $v_\theta$，生成就是沿下面的常微分方程（ODE）从噪声积分到数据：
$$\frac{d\mathbf{Z}_t}{dt} = v_\theta(\mathbf{Z}_t, t), \quad t \in [0,1]$$
这里 $\mathbf{Z}_t$ 是 t 时刻的 latent，$v_\theta$ 是学到的速度场，积分方向是从 $t=0$（纯噪声）到 $t=1$（干净视频）。精确的逆采样是隐式 Euler——未知量出现在方程两边，每步都要迭代求解，成本是正采样的一个数量级。作者的关键简化是：用显式 Euler/Heun 近似，在已知端点处求速度：
$$\mathbf{Z}_{t_k} = \mathbf{Z}_{t_{k+1}} - \Delta t \cdot v_\theta(\mathbf{Z}_{t_{k+1}}, t_{k+1})$$
逐项看：$\mathbf{Z}_{t_{k+1}}$ 是当前已知的更「干净」的 latent，$\Delta t$ 是步长，$v_\theta$ 在已知端点取值，一步网络前向就能回退一步。显式反向的代价是引入近似误差，论文在附录 A 给出全局误差界：
$$\|\mathbf{e}_0\| \le M h \frac{e^{L} - 1}{L} + O(h^2)$$
其中 $h$ 是步长，$L$ 是速度场的 Lipschitz 常数，$M$ 与速度场沿自身流的变化率有关——整流流（rectified flow）训练会让 $M$ 很小。误差随 $h$ 线性消失，重建一致性实验（把恢复的噪声再正向采样，能还原原视频）支持这条轨迹是「视频保真」的。有了这条管线，对任意真实视频都能恢复完整轨迹，逐 block、逐 denoising step 提取 hidden states（mean-pooled over tokens）训练线性探针，60/40 划分、seed 42，每 block×每 step 独立训练。K=100 步、取 t=0.5（第 50 步）为默认探测点，CFG=1.0、256×256、WAN/CogVideoX 81 帧、LTX 97 帧。
现象：中间状态的物理信号，压过了表征编码器
实验用的基准是 IntPhys（物体恒存/形状一致/连续性）和 InfLevel（重力/固体性/连续性），模型是三个架构族：WAN-1.3B（30 blocks，hidden 1536）、CogVideoX-2B（30 blocks，1920）、LTX-2B（28 blocks，2048）。
Figure 2 是第一个核心结论的证据：per-video 协议下（每段视频独立分类，比二选一更难），三个扩散模型在 IntPhys+InfLevel 的类别平均准确率全部超过 V-JEPA-2 ViT-L（71.36%）和 VideoMAE-Large，其中 WAN-1.3B 达到 81.27%；pairwise 协议（二选一）同样全面领先。图中 VAE（chance）那根横线是全场最重要的参照：输入 latent 上探针只有 48–53%，信号是从 transformer 内部才出现的。记住这个数字组合：输入 chance、中间状态 81.27%、baseline 71.36%——物理信息是 diffusion 计算自己长出来的。
信号在哪：整条轨迹都有，中间深度最强
第二个问题是位置：信号是只在某个噪声水平、某几层出现，还是组织在整个去噪过程中？Figure 4 的深度×噪声网格给出了答案。
读这张图看两件事：横着看深度，WAN 和 CogVideoX 的最佳 block 集中在中间 1/3（blocks 15–25），LTX 稍晚，这跟 Joseph et al. 2026 在 V-JEPA 上报告的 emergence zone 一致——跨训练目标、跨架构的共性；竖着看噪声，除 t=0（接近干净数据）外，每个噪声水平的 best block 都超过 76%，WAN 峰值 88.90%。物理信号贯穿几乎整条反演轨迹、在中间层最强，这是「物理活在 ODE 轨迹里」的第一份证据。配套的定量解码把结论推得更远：在 Kang et al. 2025 的受控抛物线数据上，用 t=0.5 的单 block 做线性回归，初始位置 $x_0$ 三个模型 R²=1.00，初始速度 $v_0$ WAN 0.88、CogVideoX 和 LTX 0.99，与 V-JEPA/VideoMAE 打平——内部状态承载的不只是二元「合不合理」，而是具体的物理参数。
物理活在流里：重建保真 ≠ 物理解码成功
最考验结论的对照组是步数扫描。把反向采样步数 K 从 100 减到 20：
Figure 8 展示了两条曲线彻底分离：K=20 时重建视频只有轻微质量损失、依然视觉保真，可探针准确率从 0.82 崩到 0.57（接近 chance）；K=40 恢复大半，之后进入平台；换用精度更高的 Heun 积分器，20 步从 Euler 的 0.57 回升到 0.62。结论是：产生「看起来物理合理」的视频，需要的离散化精度，远低于计算物理信息需要的精度。端点保住了，中间状态却偏离了模型本来会走的路径——物理信息是连续 ODE 轨迹的属性，粗轨迹就是另一条轨迹。这是第二个核心结论，它把「信号在 transformer 内部」升级成「信号在去噪流里」。
干预：可读层 ≠ 因果层
探测回答「哪里读得出来」，干预回答「哪里真正起作用」。作者对每个 block 输出加标度高斯噪声 $\hat{\mathbf{h}} = \mathbf{h} + \alpha\, \sigma(\mathbf{h}) \odot \boldsymbol{\varepsilon}$（α=0.5，σ(h) 是 per-token 标准差），从同一噪声 latent 重新生成视频、再反向采样、用 step-50 探针打分，测 probe-surprise 位移 Δb。WAN 上把 30 个 block 全扫了一遍（180 个场景）：扰动最敏感的是早期层（blocks 0–8，峰值在 3–5），CogVideoX 早期主导、中段下降、后期部分恢复，LTX 呈双峰。关键反差：探针最可读的中间层（15–25）并不是扰动最敏感层。两条定位拼起来是一幅完整画面：物理结构早期注入、逐层变换、到中间层才线性可读。
代价与边界：最弱一环在「机制 → 干预」
要泼冷水的地方作者自己写得很清楚。第一，整个研究主体是相关性证据，机制假设（denoising 计算副产物）没有推出可证伪的干预规格——实际干预是通用破坏性加噪，不能回答「改哪个方向会改变哪条物理律」，论文也没展示「改中间状态→把物理上不合理的生成改合理」的控制实验，physics-aware guidance 只列在 future work。第二，Δb 的读出与信号定义同源（同一个探针家族），干预收益可能继承探针自身偏差。第三，摘要和 §3 声称可访问 attention maps，但全部实验实际探测的是 block hidden states，attention-map 级解码并未实现。第四，显式反向有 O(h²) 局部误差，细粒度结论依赖离散化。第五，探针可解码表示存在可利用的低层统计线索，等价于「显式表征物理定律」的证据；WAN 最小（hidden 1536）反而准确率最高，作者用「窄模型被迫优先编码粗粒度时空语义、宽模型的信号被纹理维度稀释」解释，自己也承认三个架构的差异不止 hidden dimension，这条只是 suggestive。
一句话记住这篇
视频扩散模型的物理理解，是一种「藏在中间、两头不见」的生成副产物：VAE 输入是 chance（48–53%），输出端可以违反物理，但去噪轨迹的中间状态全程线性可读——WAN-1.3B 达 81.27%，超过 V-JEPA-2 的 71.36%，峰值 88.90%，而且物理信息活在 ODE 轨迹里，不在端点上。最该记住的态度：这套「显式反向采样 + 逐 block 探测」把真实视频变成可探测管线，是实打实的工程贡献；但机制→干预一环最弱，从「中间状态可解码」到「用中间状态控制生成」之间，还缺一场真正的因果实验。
通过把生成过程显式反向积分（Euler/Heun，K=100）从真实视频 latent 恢复 denoising transformer 的内部轨迹，证明物理合理性在中间 block 状态里线性可解码（WAN-1.3B 81.27% vs V-JEPA 71.36%）且 VAE 输入上完全缺失——但闭环停在『可观测中间状态 + 破坏性扰动』层面：无 attention-map 级解码、无用中间状态引导生成的控制实验，机制→干预一环最弱。
闭环（Observation → Mechanism → Intervention → Gain）
① 可观测现象
观测到什么：两类可观测现象：一是物理合理性的线性可解码信号——per-video 协议下 WAN-1.3B 在 IntPhys+InfLevel 全类别平均 81.27% 准确率，超过 V-JEPA-2 ViT-L（71.36%）与 VideoMAE-Large；二是定量物理变量解码——Kang et al. 2025 抛物线运动子集上初始位置 x0 三模型 R²=1.00、初始速度 v0 R²=0.88-0.99。配套的『负观测』同样关键：VAE latent 输入上探针只有 chance（48-53%）、t-SNE 两色完全混合（App C），说明信号不在输入里（§4.1 p5-6；§4.4 p8-9）。
在哪里观测：三个 latent video diffusion 模型的中间 block 状态：WAN-1.3B（30 blocks，hidden 1536）、CogVideoX-2B（30 blocks，1920）、LTX-2B（28 blocks，2048），沿『真实视频 latent → 反向采样恢复的噪声轨迹』（K=100 Euler/Heun，t=0.5 即 step 50，CFG=1.0，256×256，WAN/CogVideoX 81 帧、LTX 97 帧）逐 block 提取（§3.1 p3-4；App E p15）。数据：IntPhys（permanence/shape const./continuity）、InfLevel（gravity/solidity/continuity）、Kang et al. 2025 受控物理数据（§4 p4-5；App B p13-14）。注意：摘要与 §3 声称可访问 attention maps，但全部实验的实际探测对象是 block 输出 hidden states（mean-pooled over tokens），论文没有做任何 attention-map 级解码。
如何量化：每个 block × 每个 denoising step 独立训练线性探针：60/40 train/validation split（seed 42，40% 验证），mean-pooled 特征，线性分类器 50 epochs（Adam lr=1e-3，batch 4，交叉熵），报告 held-out 准确率与 pairwise 协议（Fig 3）；x0/v0 用 t=0.5 单 block 线性回归（§4.4）；probe-surprise 用 ψ_s(V)=logit_implausible−logit_plausible（Eq. 6）与 Δb（Eq. 7）；判别探针方向 Δw=w(1)−w(0)（Eq. 13，App D）。结果：除 t=0 外每个噪声水平 best block >76%，WAN 峰值 88.90%，best blocks 集中在 WAN/CogVideoX 第 15–25 块（中间 1/3）、LTX 稍晚（§4.1 p6-7；Fig 4）。
② 机制假设
假设：物理表征是 denoising 计算的副产物：flow-matching 的 velocity field 把每个噪声样本输运到每个干净视频，塑造了 latent space 里的一条具体路径；为完成『噪声→干净视频』的输运，transformer 在路径的每一点都需要组织时空语义结构，于是物理信息被隐式编码在中间状态里，即使训练目标既非预测式也非物理感知（§1 p1-2；§5 p9）。信号是连续 ODE 轨迹的属性而非端点属性（§4.5 p9）。
证据：
- VAE 输入对照：直接探测三模型 VAE latents 全部是 chance（48-53%），t-SNE 下两色完全混合（§4.1 p6；App C Fig 12-13），排除『信号从结构化输入继承』，定位到 transformer 内部。
- 跨模型跨基准：三个架构族（WAN/CogVideoX/LTX）× 两基准平均，每个 diffusion 模型都超过 V-JEPA-2 ViT-L（71.36%）与 VideoMAE-Large，per-video 与 pairwise（Fig 3）两个协议一致（§4.1 p5-6）。
- 轨迹组织证据：信号在几乎整条 reverse trajectory 上持续（除 t=0 外每噪声水平 best block >76%），在中间深度最强（blocks 15–25 / LTX 稍晚），与 Joseph et al. 2026 在 V-JEPA 上的 emergence zone 一致；probe 判别权重幅度呈同样结构（App D Fig 14），排除单一探针/单一噪声水平的人为现象（§4.1 p6-7；Fig 4）。
- 定量解码：x0 R²=1.00（三模型）、v0 R²=0.88-0.99，达到表征编码器水平——内部状态承载的不只是二元 plausibility 而是具体初始条件（§4.4 p8-9；Fig 6）。
- 轨迹保真度解耦：K=20 时重建仍视觉保真但探针准确率从 0.82 崩到 0.57（近 chance），K=40 恢复大半，Heun 20 步（0.62）部分恢复——可解码性跟踪离散化轨迹对连续流的忠实度而非输出质量，支持『物理活在流里』（§4.5 p9；Fig 8-9）。
- 因果敏感结构：对 WAN 30 blocks 逐一加噪（α=0.5，180 scenes）产生结构化 Δb 分布（早期层 blocks 0–8 最强、峰值 3–5），且因果敏感层（早期）≠ 线性可读层（中间），提示物理结构早期注入、逐层传播、中间层才线性可读（§4.2 p7；Fig 5）。
备选解释：
- 统计模式匹配：模型可能只是复现训练分布中的运动模式而非编码定律——作者在引言引 Kang et al. 2025 / Huberman et al. 2026 承认生成输出在 OOD 下无法外推基本力学，本文的内部信号与输出失败并存，两者关系未解（§1 p1）。
- 线性可解码 ≠ 显式表征：探针可能利用与 plausibility 相关的低层统计线索（如纹理/边缘统计），不代表模型显式表示『重力、动量守恒』等定律（§5 Limitations p9-10）。
- 度量循环偏差：probe-surprise 的读出与被扰动对象同源于同一批训练好的线性探针，干预收益可能继承探针自身偏差（§5 p9-10）。
- 反向采样近似：显式反向（Eq. 4）相对隐式精确逆（Eq. 3）有 O(h²) 局部误差，轨迹误差可能影响细粒度结论（§5 p9；App A p12）。
- 容量稀释解释只是 suggestive：三个架构的差异不止 hidden dimension（1536/1920/2048），『宽模型稀释而非缺失』的解读作者自称不确定（§4.3 p7-8）。
形式化/toy model：无独立 toy model/合成机制。形式化由四块组成：(a) 显式反向采样误差界——假设 vθ C¹ 且 L-Lipschitz，局部误差 −h²·(Dvθ/Dt)+O(h³)（Eq. 10），全局误差 ‖e0‖ ≤ M·h·(e^L−1)/L + O(h²)（Eq. 12，App A p12）；(b) 干预公式 ĥ=h+α·σ(h)⊙ε，ε∼N(0,I)（Eq. 5）；(c) probe-surprise ψ_s=logit_implausible−logit_plausible 与 Δb=ψ̄(Vb)−ψ̄(Vbase)（Eq. 6-7）；(d) 判别探针方向 Δw=w(1)−w(0)（Eq. 13）。这些都是度量定义，不是从机制推出的可证伪模型。
③ 局部干预
干预对象：denoising transformer 的单个 block 输出 hidden states（WAN 全部 30 blocks 逐一干预；CogVideoX/LTX 同法逐 block，见 Fig 5）
操作：生成阶段在每次 denoising step 对目标 block 输出加标度高斯噪声 ĥ=h+α·σ(h)⊙ε，α=0.5，σ(h) 为 per-token feature std（使 α 跨深度可比）；从同一恢复的 noise latent 生成基线视频，再对每个被干预 block 重新生成并 re-invert，用 step-50 线性探针打分得到 Δb（§3.2 p4；Eq. 5-7；App E p16）。
效果：WAN：早期层（blocks 0–8）Δb 最强（峰值 3–5），中后层仍有非零影响，分布较宽；CogVideoX：早期主导、中间下降、后期部分恢复；LTX：双峰（早期+晚期强，中间弱）。关键反差：探针最可读的中间层（blocks 15–25）并不是扰动最敏感层——物理结构在早期建立、逐层变换、中间层才线性可读（§4.2 p7；Fig 5）。
局部性：block 粒度（架构级定位）：一次只扰动一个 block、其余 29 个保持，扰动在整条 denoising 轨迹的每个 step 施加；这是破坏性加噪而非对假设机制的靶向操纵，没有 per-head/per-token/circuit 级定位。
因果验证：配对设计：每个被干预视频与同一 noise latent 的未干预基线比较 Δb（Eq. 7），WAN 全扫描 30 blocks × 180 plausible scenes（§4.2 p7）。三点削弱：(1) 读出与信号定义同源——Δb 通过训练好的线性探针家族度量，探针自身偏差可能被算作因果效应；(2) 干预是通用噪声扰动，不是从机制假设推出的可证伪操纵，不能回答『改哪个方向会改变哪条物理律』；(3) 作者明言结果是相关性的，干预只提供部分因果证据，不能确立机制性/人类可解释的物理定律编码（§5 p9-10）。论文没有展示通过修改中间状态把物理上不合理的生成变成合理（或反之）的控制实验。
④ 工程收益
指标：per-video plausibility 探针准确率（IntPhys+InfLevel 类别平均）
数值：81.27%（WAN-1.3B，best block 于 t=0.5）
基线：V-JEPA-2 ViT-L 71.36%；VideoMAE-Large 更低（Fig 2 Right）；VAE latent chance 48-53%
设置：K=100 反向采样、block hidden states mean-pooled、线性探针、60/40 split seed 42；§4.1 p6、Fig 2
指标：pairwise plausibility 准确率（Garrido et al. 2025 协议）
数值：三个 diffusion 模型全部超过 V-JEPA-2 与 VideoMAE-Large（具体数值仅在图中）
基线：V-JEPA-2 ViT-L 与 VideoMAE-Large 同协议
设置：Fig 3 p6
指标：定量物理变量回归 R²（Kang et al. 2025 抛物线子集，t=0.5 单 block）
数值：x0：WAN/CogVideoX/LTX 均 R²=1.00；v0：WAN 0.88、CogVideoX 0.99、LTX 0.99
基线：V-JEPA-2 ViT-L 与 VideoMAE-Large：x0=1.00、v0=1.00
设置：§4.4 p8-9；Fig 6
指标：深度×噪声网格峰值准确率（每 block × 每 denoising step 独立探针）
数值：除 t=0 外每个噪声水平 best block >76%；WAN 峰值 88.90%（中间深度）
基线：同协议下 V-JEPA/VideoMAE per-block 曲线（Fig 4 右）
设置：§4.1 p6；Fig 4
指标：轨迹保真度 vs 物理可解码性（K 扫描，WAN-1.3B）
数值：100 步 0.82 → 20 步 0.57（近 chance）；40 步已恢复大半；Heun 20 步 0.62 > Euler 20 步 0.57
基线：20 步与 100 步反向采样重建视频均视觉保真
设置：§4.5 p9；Fig 8-9
代价：反向采样每次网络前向与正向采样同量级（K=100 步）；需在每 block×每 step 提取并保存激活；探针按 block×step 独立训练（50 epochs Adam lr=1e-3 batch 4）；干预实验对每个 block 要重新生成+重新反转+重新打分（WAN 30 blocks×180 scenes，单 NVIDIA GH200/96GB per job）。论文未给端到端时间/预算数字（App E p16）。
可迁移性：跨架构结论强：3 个不同架构族（WAN-1.3B/CogVideoX-2B/LTX-2B）× 2 基准 + 1 个受控物理数据集，探针一致工作，中间深度 emergence 与 V-JEPA 阵营一致。但工程收益止步于『可探测/可读数』：无文本条件（CFG=1.0）以外验证、无下游控制实验（physics-aware guidance 明确列为 future work，§5 p9）、无世界模型/规划等下游任务收益；也没有与其他特征（如 attention maps、cross-attention 特征）的对比。
闭环自评
| 环节 | 强度 |
|---|---|
| 现象→机制 | 中偏强。现象层扎实：多模型多基准 + VAE 输入 chance 对照 + K 扫描/Heun 对照把『信号在 transformer 内部、活在 ODE 轨迹里』立住；但线性可解码性不承诺显式表征，探针度量存在同源偏差，整体仍是相关性证据（§5 p9-10）。 |
| 机制→干预 | 弱（最弱一环）。『denoising 隐式编码物理』没有推导出具体的可证伪干预规格：实际干预是通用破坏性加噪（α=0.5），不是对假设机制的靶向操纵，也没有『改中间状态→改变生成物理』的控制实验；Δb 又用同一探针家族读出，机制身份与干预读出纠缠。 |
| 干预→收益 | 中偏弱。干预的收益是诊断性的（定位因果敏感层、揭示可读层≠因果层），没有转化为工程控制收益（无引导生成、无物理性提升实验）；WAN 有 30×180 全扫描，CogVideoX/LTX 只有模式描述；pairwise 数值与部分图内数字未入正文。 |
| 最弱一环 | mechanism_to_intervention：从『物理信息编码在中间状态』到『扰动 block 证明因果责任』之间没有机制推导，干预是破坏性噪声而非靶向操纵，且读出与信号定义同源——这是闭环里最需要补证据的地方。 |
问题
要解决什么：
为什么 prior work 不够：
关键结果
| 指标 | 值 | 最强 baseline | setup |
|---|---|---|---|
| per-video plausibility 探针准确率（类别平均） | 81.27%（WAN-1.3B） | V-JEPA-2 ViT-L 71.36%；VideoMAE-Large 更低；VAE latent chance 48-53% | IntPhys+InfLevel，K=100 反向采样、t=0.5、线性探针、60/40 split seed 42；§4.1 p6、Fig 2 |
| pairwise plausibility 准确率 | 三 diffusion 模型均超过 V-JEPA 与 VideoMAE（具体值见图） | V-JEPA-2 ViT-L、VideoMAE-Large（Garrido 2025 协议） | Fig 3 p6 |
| x0/v0 回归 R² | x0 三模型均 1.00；v0：WAN 0.88、CogVideoX 0.99、LTX 0.99 | V-JEPA/VideoMAE：x0=1.00、v0=1.00 | Kang 2025 抛物线子集，t=0.5 单 block；§4.4 p8-9、Fig 6 |
| 深度×噪声网格峰值 | WAN 88.90%；每噪声水平（除 t=0）best block >76% | V-JEPA/VideoMAE 同协议 per-block 曲线 | Fig 4 p6 |
| 轨迹保真度扫描（K） | 0.82（100 步）→ 0.57（20 步）；40 步恢复大半；Heun 20 步 0.62 | 20/100 步重建均视觉保真 | WAN-1.3B；§4.5 p9、Fig 8-9 |
| 因果敏感 block（Δb，IntPhys） | WAN 早期层最强（blocks 0–8、峰值 3–5）且分布宽；CogVideoX 早期主导+后期恢复；LTX 双峰 | 可读层（中间 blocks 15–25）≠ 因果敏感层（早期） | 30 blocks × 180 scenes、α=0.5、step-50 探针；§4.2 p7、Fig 5 |
| 中间深度 emergence zone | WAN/CogVideoX best blocks 15–25（中间 1/3）、LTX 稍晚 | 与 Joseph et al. 2026（V-JEPA）emergence zone 一致（Fig 4 右复现） | Fig 4 p6-7 |
Insights
- 物理表征可以是生成副产物：输入是重建性 VAE latent（探针 chance、t-SNE 混合）、训练目标无预测/物理感知，物理可解码性却在 denoising transformer 内部出现——把『涌现物理』从表征学习阵营扩展到生成阵营（§4.1 p6）。
- 信号活在 ODE 轨迹里而非端点上：K=20 重建保真但解码崩盘、Heun 部分恢复，可解码性与输出保真度解耦——物理信息是连续流的路径属性（§4.5 p9）。
- 可读层 ≠ 因果层：中间层线性可读、早期层扰动最敏感，两个定位互补成『早期注入→深层变换→中间可读』的完整画面（§4.1-4.2 p6-7）。
- 压缩提高可解码性：WAN（最小、hidden 1536）反而准确率最高，解释为窄 DiT 被迫优先编码粗粒度时空语义、物理信号在宽模型中被纹理维度稀释——暗示物理信号是隐空间的低维结构（§4.3 p7-8）。
- 反向采样把『真实视频→模型内部状态』变成可探测管线：显式 Euler/Heun 以近似正向采样成本恢复轨迹，局部误差 O(h²)、全局误差 O(h)——方法本身是本次最大的工程贡献（App A p12）。
- 探测网格（block×noise）与 probe 判别权重结构一致（App D Fig 14），说明中间深度信号不是单一探针或单一噪声水平的伪影（§4.1 p6-7）。
vs 同类工作
局限
- 探针可解码 ≠ 显式表征：论文自认不证明模型在机制性/人类可解释层面编码物理定律（§5 p9-10）。
- 度量循环：probe-surprise 干预的读出与被扰动对象同源于同一探针家族，probe 可能继承学习分类器偏差（§5 p9-10）。
- 相关性：整体结果相关，干预只提供部分因果证据（§5 p10）。
- 反向采样近似：显式反向有 O(h²) 局部误差，细粒度结论依赖离散化（§5 p9；App A p12）。
- attention maps 缺席：摘要/§3 声明访问中间状态与 attention maps，但全部实验只探测 block hidden states，attention-map 级解码未实现。
- 无控制闭环：physics-aware guidance 只是 future work，没有展示用中间状态引导或修正生成输出的实验（§5 p9）。
- 细节不完整：pairwise 数值与部分网格数字（76.4/79.2/88.9）只在图中；CogVideoX/LTX 干预仅模式描述；三架构差异不止 hidden dimension（§4.3 自认 suggestive）。
可复现性
代码公开：https://github.com/ParsaEsmati/videodiffusionphysics（摘要内链接）。完整复现超参在 App E：反向采样 K=100（默认）、Euler/Heun、CFG scale 1.0、step 50（t=0.5）、256×256、WAN/CogVideoX 81 帧、LTX 97 帧；WAN 30 blocks hidden 1536、CogVideoX 30 blocks 1920、LTX 28 blocks 2048；探针 60/40 split（seed 42，40% validation）、block 输出 mean-pooled、线性分类器 50 epochs Adam lr=1e-3 batch 4；干预 α=0.5、step-50 探针、WAN 180 plausible scenes 全 block 扫描；硬件单 NVIDIA GH200（96GB）/job（App E p15-16）。数据集：IntPhys/InfLevel validation splits 与 Kang et al. 2025 抛物线子集。取数提醒：arXiv 单版本 v1（cs.GR）；无表格化的逐类别数字（多在图内）；无第三方复现记录。
物理合理性从扩散模型内部状态里线性可解码
原文 caption：Figure 2: Physical plausibility is decodable from the internal states of video diffusion models. Probe accuracy on (Left) IntPhys and (Middle) InfLevel for WAN, LTX, and CogVideoX, compared against V-JEPA and VideoMAE v2. (Right) Diffusion video models outperform representation encoders on average. Error bars demonstrate standard error of the mean across 5 seeds.
全篇头号结论：对 WAN/CogVideoX/LTX 三个扩散模型的中间 block 状态训练线性探针，per-video 物理合理性准确率（IntPhys+InfLevel 类别平均）每个模型都超过专用表征编码器 V-JEPA-2 ViT-L（71.36%）与 VideoMAE-Large；右侧柱状图显示 WAN-1.3B 达 81.27%。同时标注 VAE latent 输入上探针只有 chance（48–53%）——读图要抓住这组对照：信号不在输入 latent 里，是 diffusion transformer 自己在计算中构建出来的。
物理信号沿整条反演轨迹持续、在中间深度最强
原文 caption：Figure 4: Physical plausibility emerges across the entire reverse trajectory and at intermediate depth. For each diffusion model (WAN-1.3B, CogVideoX-2B, LTX-2B) we report per-video probe accuracy at every transformer block (x-axis) and every noise level along the reverse trajectory (y-axis); star marks the best-performing block at each noise level. Right: per-block accuracy of V-JEPA 2 ViT-L and VideoMAE-Large under the same probing protocol.
证明『信号在哪里』的深度×噪声网格：除 t=0（接近干净数据）外，每个噪声水平上 best block 准确率都超过 76%，WAN 峰值 88.90%；best blocks 集中在中间 1/3 深度（WAN/CogVideoX 的 blocks 15–25，LTX 稍晚），与右侧 V-JEPA 的 emergence zone 一致。读图看两个维度：物理信息贯穿几乎整条去噪轨迹（不是只在端点），并且线性可读性在中间层最强——这是『物理活在 ODE 轨迹里』的第一份证据。
重建保真但物理解码崩盘：物理信号是轨迹属性
原文 caption：Figure 8: Reconstruction can succeed where physical decoding fails. Reconstructions from reverse sampling with 20 and 100 steps remain visually faithful, however per-video probe accuracy as a function of inversion steps collapses from 0.82 at 100 steps to 0.57 at 20.
支撑『物理活在流里』的解耦实验：把反演步数 K 从 100 减到 20，重建视频仍然视觉保真，但探针准确率从 0.82 崩到 0.57（接近 chance）；K=40 已恢复大半。读图看两条曲线的背离：端点的像素质量保住了，中间状态却不再落在模型本来会经过的轨迹上——说明物理信息是连续 ODE 轨迹的属性，可解码性跟踪的是离散化轨迹对流的忠实度，与输出质量无关。
🎧 音频版
时长 17:41 · Edge TTS
视频扩散模型「知道」的物理，比它们展示出来的多（对话版）
小播：今天聊一篇特别反直觉的论文——视频扩散模型生成的东西常常违反物理，可它们的内部状态里，居然藏着能读出来的物理信号。
老播：对，这篇叫 The Invisible Hand of Physics。一句话给你结论：模型的输出端不兑现物理，但把采样过程倒着跑一遍，在中间层状态上做线性探测，物理合理性准确率能到 81.27%，超过专门学表征的 V-JEPA 的 71.36%。模型输入里啥都没有，信号是它在去噪计算里自己长出来的。
小播：等一下，输入里没有，是什么意思？
老播：这些模型吃的是 VAE 的 latent，就是压缩后的视频编码。直接在 VAE 输入上做探测，准确率只有 48% 到 53%，跟瞎猜一样。可一旦进入 transformer 的中间层，信号就冒出来了。
小播：那输出端呢？不是说生成违反物理吗？
老播：对，输出端经常违反物理，球穿过板条箱、东西凭空出现。所以这篇的核心观点就是：物理信息藏在中间状态里，两头都看不见。我们从头拆——先看他们是怎么把内部状态挖出来的。
小播：扩散模型又不给你看真实视频对应的内部状态，怎么挖？
老播：他们想到一招：把采样过程显式倒过来跑。扩散模型的生成，本质是沿着一个学到的速度场，从噪声积分到干净视频。作者从干净视频出发，沿着同一个速度场往回积分，一步一步退回噪声，中间每个 block 的状态就都拿到了。
小播：往回积，不会积歪吗？
老播：理论上精确的反演每步都要迭代求解，成本高一整个数量级。他们用显式近似，每一步只算一次网络前向，代价是引入误差。他们证明了误差随步长线性消失，而且把恢复的噪声再正向生成一遍，能还原原视频，说明这条路是靠谱的。
小播：好，那拿到中间状态之后，看到了什么？
老播：三个模型一起看：WAN-1.3B、CogVideoX-2B、LTX-2B。在 IntPhys 和 InfLevel 两个物理合理性基准上，对每个 block 的中间状态训练线性探针，三个模型的准确率全部超过 V-JEPA 和 VideoMAE，WAN 最好，81.27%。记住这个数字组合：输入 chance，中间状态 81.27%，baseline 是 71.36%。
小播：那信号是只在某一层、某一步出现，还是到处都有？
老播：这是第二个有意思的发现。他们把每个 block 和每个去噪步都扫了一遍：除了接近干净数据的最后一步，其他所有噪声水平上，最佳层的准确率都超过 76%，WAN 峰值到 88.9%。而且最佳层集中在中间三分之一深度，这跟之前 V-JEPA 上发现的 emergence zone 一致。
小播：也就是说，跨模型、跨训练目标，物理信号都长在中间层？
老播：对。还不止二元判断。用受控的抛物线数据做线性回归，模型内部状态能读出初始位置，三个模型都是满分拟合；初始速度也能读出，0.88 到 0.99。里面装着具体的物理参数——初始位置、初始速度，都能从状态里读出来。
小播：那怎么证明信号真的活在去噪过程里，而不是输出端的副产品？
老播：他们做了一个特别干净的对照：把反向采样的步数从 100 减到 20。这时候重建的视频照样保真，看着没啥区别，可探针准确率从 0.82 崩到 0.57，接近瞎猜。换更高精度的积分器，又能捞回来一点。
小播：视频长一样，物理信号却没了？
老播：对，这就是关键：产生「看起来合理」的视频，需要的精度，比算出物理信息需要的精度低得多。端点保住了，但中间状态偏离了模型本来该走的轨迹。所以物理信息是轨迹的属性，粗轨迹就是另一条轨迹。
小播：那知道信号在哪之后，有没有做干预实验？
老播：做了，而且有个反直觉的结果。他们往每个 block 的输出上加噪声，看哪个位置最影响生成视频的物理合理性。结果最敏感的是早期层，不是最可读的中间层。
小播：读得出来的地方，跟真正起作用的地方还不一样？
老播：不一样。探针最可读的是中间层，扰动最敏感的却是早期层。作者的解读是：物理结构在早期就建立起来，一层层变换，到中间层才变成线性可读的形式。
小播：那这套方法，现在能直接用吗？
老播：这里得泼盆冷水，这也是作者自己承认的最弱一环。整个研究主体是相关性证据：干预只是往 block 上加噪声，没有做到「改中间状态就把不合理的生成改成合理」，物理引导的生成只列在 future work。而且干预效果的读出，跟信号定义用的是同一批探针，可能互相串味。另外论文说能访问 attention maps，实际实验只做了 block 状态，attention 级解码并没做。
小播：所以它的价值更多是探测框架本身？
老播：对，这份贡献很实在：显式反向采样把「真实视频→模型内部状态」变成了可探测的管线，跨架构跨基准都成立。它告诉你扩散模型里确实长出了物理结构，也告诉你从哪里读、哪一层在起作用。但从「可解码」到「能控制」，中间还缺一场真正的因果实验。
小播：最后用一句话收个尾？
老播：视频扩散模型的物理知识，是藏在中间、两头不见的生成副产物：VAE 输入是瞎猜水平，输出端可以违反物理，但去噪轨迹的中间状态全程可读，WAN 做到 81.27%，超过 V-JEPA 的 71.36%。最该记住的数字是 81.27% 对 71.36%，最该记住的保留是：物理活在流里，而且机制到干预这一环，还得补课。