问题
视频生成模型的开发者很难判断生成结果在物理层面是否合理。信号原文指出"Evaluating the physical consistency of generated videos remains a fundamental challenge"。现有做法要么依赖现成的视觉-语言模型做主观打分，要么用人工标注微调评测器，成本高且不稳定。另一组信号显示人-物交互生成中常见"object drift, missed contact, and penetration"这类物理缺陷，说明问题在生成侧普遍存在但缺乏系统的量化评测手段。
目标用户
视频生成与人体动作生成方向的算法工程师和研究人员（模型公司、动画/游戏公司、高校实验室）。市场较窄且偏研究侧，信号中没有商业化规模证据，属于小众 B2B/开发者工具。
解决方案
- 基于 PhyProbe 思路：冻结的预训练时空编码器提取特征，轻量打分头输出物理一致性违规分数（pairwise ranking + anchor 校准训练）
- 逐片段/逐区域定位违规位置（如穿透、漂移、错过接触），生成可视化热力图
- 成对比较模式：两版模型输出谁更符合物理直觉，适合 A/B 迭代
- 批量回归测试：生成模型每次更新后自动跑评测集并出报告
- API 形式输出分数与明细，可接入 CI 或内部评测平台
- AI 角色：用时空表征模型自动检测物理违规，替代人工标注与主观打分。
为什么是现在
信号显示评测方法出现新范式：不需要人工标注大规模微调，用"frozen pretrained spatio-temporal encoder + lightweight scoring head"即可得到标量违规分数，使低成本、可规模化的自动物理评测成为可能。
MVP 范围
第一版：上传视频（或接入生成 API 的输出），返回物理一致性违规分数与逐片段热力图；支持成对比较模式（哪个视频更符合物理）。明确不做：视频生成本身、训练自定义评测器（后续可加）、图像评测。
风险
- 需求未经验证：信号全部来自论文，没有真实用户抱怨或付费证据，可能只停留在学术圈内。
- 技术风险：论文方法（PhyProbe 的 pairwise ranking + anchor calibration）在自己的数据分布外未必有效。
- 依赖风险：依赖冻结的预训练时空编码器，其性能上限决定产品上限。
- 被吸收风险：视频生成厂商（如现有模型公司）很容易把类似评测内置进自家平台。
信号证据
这张卡片依据的原始讨论。摘录保持原文，点“原文”查看上下文。
arXiv cs.CV10月1日新能力
“Learning this complex, dynamically changing relationship implicitly, however, often yields object drift, missed contact, and penetration.”
Text-to-human-object-interaction generation methods model human and object as separate trajectories and learn global couplings implicitly, leading to object drift, missed contact, and penetration.原文
arXiv cs.CV10月1日新能力
“Evaluating the physical consistency of generated videos remains a fundamental challenge.”
Evaluating the physical consistency of generated videos remains a fundamental challenge.原文