视频基础模型如何编码直觉物理？研究对比 V-JEPA、VideoMAE 与 LTX-Video
研究用冻结特征探针在 IntPhys2 和 Minimal Video Pairs（MVP）上对比 V-JEPA、VideoMAE 与 LTX-Video 三种预训练范式的直觉物理编码能力。
#视频
arXiv · cs.AI模型评分3434 arXiv · cs.AI模型评分4040 Place-it-R1：用环境感知 MLLM 推理实现视频物体插入
Place-it-R1 是一个端到端视频物体插入框架，让多模态大语言模型（MLLM，Multimodal Large Language Model）分析目标环境、推断物体与场景的交互，并判断插入位置在物理上是否合理。
arXiv · cs.AI模型评分4444 TetraState：面向学习型世界模型的回归测试协议，单一判定不够用
研究者提出 TetraState 回归测试协议，针对成对的可实现/不可实现视频测试，在四种模型原生配置下运行并给出四类结果，同时把测试框架本身纳入版本管理。
arXiv · cs.AI模型评分3636 Geo-FSRL：优化少步流模型强化学习的随机策略几何
研究提出 Geo-FSRL（Geometry-Optimized Few-Step Reinforcement Learning），通过最小化条件 KL 散度对应的单一几何因子，在保持系数的各向同性高斯转移族中推导出唯一闭式最优策略。该方法在 4 步设置下训练图像与视频生成模型，最终奖励分数高于 Flow-GRPO 和 Flow-CPS，推理时仍保留确定性求解器。代码已公开。
Google DeepMind精选模型评分7272 Google DeepMind 发布世界模型 Genie 4，原生生成音频并支持实时交互
Google DeepMind 发布世界模型 Genie 4，可实时生成画面与原生音频，并支持用自然语言在模拟过程中修改天气、镜头和人物。该模型引入实时交互对话，角色能对用户输入即时回应；Gemini 3.8 Flash 在循环中充当引导智能体，把目标拆成步骤并检查每帧进度。
推荐理由：官方同时给出四项能力变化和已知局限，读者可据此判断实时世界模型目前能做什么、还差在哪。