PhysLoop: Física guiada por modelos de IA de gran alcance (LLM, Large Language Models) para modelos de generación de videos que se auto-mejoran.
December 18, 2017 | Source: Blockchain News
**Inicio**
/
Últimas informaciones
**Noticias**
**PhysLoop**: Física guiada por modelos de lenguaje grande (LLMs) para modelos de generación de videos que se auto-mejoran
PhysLoop introduce una herramienta que tiene en cuenta las leyes físicas en los modelos de generación de videos, utilizando modelos de lenguaje grande (LLMs) para garantizar la consistencia física y permitir su auto-mejora.
**Ilustración editorial**: No se trata de una captura de pantalla de un producto ni de una fotografía de un evento.
**En este artículo…**
En este artículo se presenta un nuevo marco de investigación llamado PhysLoop, cuyo objetivo es mejorar la consistencia física y las capacidades de auto-mejora de los modelos de generación de videos. Publicado en arXiv el 12 de noviembre de 2026, este proyecto es fruto de la colaboración entre la Universidad de Pekín, ByteDance Seed y otros socios académicos e industriales. El marco utiliza modelos de lenguaje grande (LLMs) para guiar la generación, selección y corrección de videos, abordando desafíos de larga data en términos de dinámica física y consistencia causal.
**Desafíos en los modelos de generación de videos**
Aunque los modelos de generación de videos han logrado avances en la producción de resultados visualmente realistas, a menudo no consiguen capturar con precisión las dinámicas físicas ni las relaciones causales. Este aspecto limita su capacidad para generar datos de entrenamiento de manera autónoma.Una supervisión física detallada, juicios de calidad y variaciones controladas son difíciles de lograr sin una intervención humana significativa. El enfoque de PhysLoop introduce un conjunto de herramientas unificado que integra los modelos de lenguaje grande (LLMs) como planificadores conscientes de las leyes de la física. Este conjunto guía a los LLMs a través del proceso de generación de videos, asegurando que los resultados se ajusten a los principios físicos. También permite la creación de datos de entrenamiento controlables y la corrección de incoherencias físicas en los videos generados durante la fase de inferencia. Este enfoque representa un paso importante hacia el automejoramiento recursivo (Recursive Self-Improvement, RSI), donde los modelos refinan sus datos de entrenamiento de manera iterativa con un mínimo de supervisión humana. Se han publicado 100.000 videos que abarcan diversas escenas tanto interiores como exteriores, junto con herramientas para su generación. Se han creado dos conjuntos de datos de evaluación: PhysLoop-Gen para la generación controlable de videos y PhysLoop-Repair para la reparación localizada de errores en los videos. El rendimiento del sistema se ha medido utilizando un conjunto de datos verificado por Physics-IQ para evaluar el comportamiento físico de los videos generados. El framework PhysLoop está disponible en GitHub (https://github.com/DAGroup-PKU/PhysLoop), con guías detalladas para su configuración, uso y acceso a los datos. El proyecto está licenciado bajo las condiciones de MIT; los componentes de terceros mantienen sus licencias originales. Aunque el lanzamiento del código está sujeto a la revisión de la política de la empresa, el repositorio ya incluye herramientas para la planificación, ejecución y mejora continua del sistema. La capacidad de PhysLoop para extraer el conocimiento físico de los LLMs y aplicarlo en modelos de generación de videos representa un hito importante en la investigación de la inteligencia artificial.Al permitir que los modelos identifiquen y corrijan de manera autónoma sus deficiencias, este marco abre el camino para avances en campos que requieren simulaciones físicamente consistentes, como la robótica, la realidad virtual y los sistemas autónomos.