Modelo PhiZero da CASIA fornece às modelos globais uma 'linguagem física' e reduz o consumo de tokens em 175 vezes

A equipe do Instituto de Automação da Academia Chinesa de Ciências (CASIA) apresentou um modelo de mundo chamado PhiZero. Este modelo separa a tarefa de compreensão da dinâmica física da tarefa de renderização de quadros. O artigo, intitulado «PhiZero: A World Model Built Around Physical Language», foi publicado no arXiv e começou a se espalhar na comunidade de IA encarnada esta semana.

Modelos de mundo que preveem quadros de vídeo futuros sequencialmente tendem a combinar dois problemas fundamentalmente diferentes em um único espaço de previsão. A aparência da cena, incluindo suas texturas, iluminação e fundo, utiliza a mesma capacidade de parâmetros que a dinâmica que move os objetos ao longo do tempo. O grupo CASIA afirma que essa mistura é a razão pela qual os modelos de mundo pixelizados frequentemente geram quadros visualmente convincentes que, quando vistos em sequência, desviam da plausibilidade física.

O PhiZero divide o pipeline de previsão em duas etapas. A primeira etapa recebe o estado atual do mundo e uma ação, e em seguida, gera uma curta sequência de tokens discretos, que os autores chamam de «linguagem física». A segunda etapa usa esses tokens como um plano de movimento comprimido e só então renderiza os próximos quadros. O módulo de tokenizador, construído com base no Q-Former de nível de transição e quantização escalar final (FSQ), gera esses tokens discretos. O decodificador de difusão reutiliza a aparência do primeiro quadro como conhecimento a priori de alta frequência, permitindo que os tokens de linguagem concentrem sua capacidade no movimento, e não na textura.

O grau de compressão é bastante significativo. Para um clipe de quatro segundos contendo 33 quadros, o PhiZero usa 256 tokens de linguagem física, retirados de um vocabulário de cerca de 25.000 unidades. Em comparação, o VAE Wan2.2 requer 44.800 tokens visuais contínuos para o mesmo clipe. Isso representa uma redução de aproximadamente 175 vezes no número de tokens que o modelo de mundo deve consumir e prever. A qualidade da reconstrução permanece comparável à de outros tokenizadores de vídeo altamente comprimidos.

As implicações desse método são estruturais. Se os modelos de mundo puderem raciocinar sobre trajetórias de estados curtas e discretas, em vez de fluxos longos e contínuos de pixels, a robótica, a condução autônoma e os agentes de IA encarnada obterão uma representação mais próxima da linguagem de programação do que de um codec de vídeo. A contribuição do PhiZero não reside tanto no número 175 vezes, mas sim na aposta de que a linguagem física, assim como a linguagem natural, pode servir como base sobre a qual os modelos de mundo compõem suas decisões.