OmniFysics-Nano-V2：跨模态理解物理世界
原文标题：OmniFysics-Nano-V2 Technical Report: Understanding the Physical World Across Modalities
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文发布紧凑型全模态模型OmniFysics-Nano-V2，支持图像、视频、音频、语音与文本输入及文本语音生成，聚焦物理世界感知与理解。通过双分支物理感知数据管线与两阶段GRPO课程训练，该模型在21项基准中的17项取得领先结果，旨在推动下一代Physical AI发展。
深读 · 结论先行AI 生成展开看要点与影响 ↓
OmniFysics-Nano-V2紧凑全模态模型在21项基准中17项领先，聚焦物理世界感知。
- •支持图像、视频、音频、语音、文本输入，并可生成文本与语音
- •构建双分支物理感知数据管线，将显著物体锚定到结构化物理属性
- •对齐视觉变化与声学事件、中间响应及交互结果
- •采用两阶段GRPO课程，从通用任务正确性进阶到细粒度物理感知推理
- •在21项多模态、音视频与物理推理基准中17项取得领先
为什么重要：为Physical AI提供显式物理监督的数据与训练范式，对做具身与物理推理的团队有参考意义。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。