PhysForce：面向交互式视频世界模型的物理感知力控制

基于摘要分析。本文研究交互式视频世界模型如何预测外力干预引起的视觉环境变化，提出 PhysForce，将监督微调与强化学习结合，以改善力响应、物理一致性及未见场景下的泛化。其主要研究对象是受力干预的视频生成与状态演化，而非 EEG 解码或 BCI 控制。 作者指出，以运动轨迹表示力可能引入不恰当的运动先验，使模型过度依赖编码后的位移模式；同时，内部表征难以可靠定位外力引起的状态变化，有限的力标注数据也限制了预测的物理一致性与时间稳定性。 框架包含两个阶段、三个组件。监督微调阶段，Latent Force Intervention Encoder 将力的位置、方向与大小映射到视频潜空间，作者强调该编码不暴露未来运动；Physics Attribution Network 将力干预与潜在状态中的局部变化关联，以强化对受力后物理响应的学习。强化学习阶段，Physics-Aware Reinforcement Learning 在分布外视频上采用自监督奖励，目标是改善物理一致性与泛化。摘要未提供奖励定义、归因约束、训练目标或具体网络结构，尚不能判断这些机制如何实现及其适用边界。 作者报告，多项实验显示 PhysForce 改善了力响应、物理一致性与泛化，但摘要未给出数据集、数据划分、对照基线、指标或数值。实验协议、消融及统计信息尚未验证；复现还需核对力标注格式、分布外视频的构造方式、奖励计算及训练资源。材料未建立这些机制与 EEG/BCI 任务之间的具体对应关系，因此不据此推断 BCI 有效性或提出迁移实验。