Sora 2 物理模拟 — 它会模拟「失败」

之前的模型为什么做不好

早期文生视频模型有一个共同问题：过度乐观（overoptimistic）。如果提示词说「篮球运动员投篮不进」，模型会把球变形、瞬移、扭曲画面，来满足「投篮不进」这个语义。但更常见的情况是——它干脆让球进了，因为「投篮进了」是统计上更常见的结果。

问题出在模型的目标函数里：它被训练成「生成符合文本描述的画面」，而不是「生成符合物理规律的画面」。当两者冲突时，它会选择语义对齐，牺牲物理真实。

Sora 2 的做法

Sora 团队在训练中引入了一个关键约束：物体行为必须符合物理规律。模型在内部学会了：

• 动量和惯性——物体不会莫名其妙停下来
• 重力——东西会往下掉，除非有支撑
• 浮力——桨板上的后空翻会考虑水面的反作用力
• 碰撞动力学——碰撞会有反弹、变形、碎片飞散
• 物体永久性——物体不会在两帧之间凭空消失或变成别的东西

「失败态」是关键

官方博客里举的例子最有名：

之前的视频模型，如果提示一个篮球运动员投篮不进，球可能会瞬移进篮。在 Sora 2 里，球会真实地砸在篮板上弹回来。

这件事听起来简单，但对世界模拟器来说是巨大的跨越：

• 承认「不是所有事情都会按计划发生」
• 学会在约束条件下生成合理的结果
• 不再为了满足文本提示而作弊

这种能力让 Sora 2 的视频在观感上更可信——它更像真实摄像机拍的，而不是算法为了凑提示词拼出来的。

实测效果

Booststash 的 2 周测试中，评测者用这些提示词做了测试：

• 体操运动员做后空翻
• 桨板上的后空翻（需要同时考虑人体力学和水面动力学）
• 水花飞溅
• 布料在风中飘动

结论是：「Sora 2 在这些复杂动作上的表现领先竞品一整个档次。模型还是会出错，但错的通常是『聪明的错』——更像真实摄像机可能拍到的瑕疵，而不是不可能的物理违反。」

还是会错的地方

模型仍然会在这些场景下出问题：

• 多人复杂交互（两个人握手或跳舞，经常出现解剖学不可能的姿态）
• 手部特写（手指融合、数量不对、动作不自然）
• 极端近距离的人脸

这些错误大多源于训练数据中这类样本不够密集，或者模型对细粒度控制还不够精确。但比起 Sora 1 时代的水平，已经是质的飞跃。

延伸阅读：模型局限：手部、人脸、文字