想象你是一位正在练习投篮的年轻球员。你的训练方式很直接：找来一堆球星比赛录像，反复模仿他们的动作，把自己投篮的视频和录像比对，哪里不像就改哪里。这就是“数据驱动”的学习方式——用海量样例逼出目标动作。可当你连续投丢、体力下降时，身体会不由自主地“偷懒”：手腕歪了、双脚离地太远、球飞出去的弧线平得吓人。只看录像、比数据，只能告诉你“不像”，却说不清为什么不像。直到一位老教练站到你身边，用教鞭轻轻点一下你的手腕：“手腕抬高，脚落地要稳，发力从腰部走。”每一条纠正，都来自他脑中沉淀千年的物理规律——重心、力臂、抛物线。物理约束训练，就是在视频世界模型这位“球员”身边，请来这样一位物理教练：训练时检查模型生成的画面是否违背物理常识，把“违背”折算成分数，逼着模型修正自己的动作，让每一帧视频都更符合真实世界的运行规则。

岗位关联

物理约束训练是把物理规律变成训练信号的关键技术，掌握它能帮你判断世界模型“哪里不稳、为何不稳、如何修正”，是进阶视频生成与具身智能领域的重要技能。

目录
  1. 可视化演示
  2. 数据驱动之困
  3. 物理先验入场
  4. 刚体约束守卫
  5. 流体流动自然
  6. 损失函数设计
  7. 实战权衡之道
  8. 未来探索方向
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

物理约束训练在视频世界模型中引入刚体、流体等物理先验作为损失，引导生成内容遵守物理规律；它缓解纯数据驱动产生的... 切换模式查看不同维度。

本节配有交互动效（进入视口后自动加载，约 3KB）。

物理约束训练：核心原理 动态展示关键流程与数据流动 交互控件调节参数实时渲染 f(x) = transform(x) 核心概念的可视化呈现

数据驱动之困

球员天天模仿球星录像，投一千个球也用同一套“比对录像、微调手势”的流程。三年过去，动作确实顺眼了不少，可一旦遇到逆风、体力下滑、防守队员贴身，动作就立刻变形：手臂甩到脑后，膝盖内扣，皮球划出一道诡异的弧线。录像比对法的问题就在这里——它能告诉你“和球星不一样”，却永远说不出“违背了抛物线”。视频世界模型也一样：它靠海量视频训练，学会了像素的排列趋势，却从未真正理解“水往低处流”“物体不会互相穿过”这类物理常识。数据驱动能覆盖训练集中出现过的模式，却无法保证分布之外的生成不出洋相。

这些“洋相”在真实系统里很致命。让模型预测一杯水被拿起的下一秒，它可能让水凭空悬在半空；让模型想象一个球撞上墙壁，它可能生成球陷进墙里的画面。视频世界模型的目标是构建对世界运行规律的内部表征，纯数据训练得到的表征，本质上只是统计相关性，而不是因果机制。物理规律在训练数据里无处不在，却又从未被显式标注出来，模型就只能“猜”。猜得中训练集里的场景，猜不中训练集外的现实。

于是研究者发现，单靠堆数据和算力，无法从根本上消除这类“违逆物理”的生成结果。模型参数量再大、训练视频再多，也只是让统计曲线更平滑，知识边界之外的错误依然顽固。数据驱动这条路走到这里，露出了一个关键缺口：缺少一位能把规律说清楚的“教练”。

回看我们投篮的球员，他真正需要的不是更多录像，而是一个懂物理的人告诉他“手腕为何要正、脚步为何要稳”。让知识驱动和数据驱动握手，这个朴素的念头，正是物理约束训练诞生的起点。

物理先验入场

现在教练出场了。他站在球场边，手里拿着一张考核表。每次球员投完一个球，教练不仅看进没进，还要看发力的顺序对不对、重心线有没有偏出脚尖。他把每一条物理规律变成打分项，违反了就扣分，然后把“总分”反馈给球员。这里的核心转变是：物理知识不再只是模糊的直觉，而变成了可计算的评分——在机器学习里，这个评分就叫作损失函数。

物理约束训练把同样的思路搬进视频世界模型的训练流程。训练时，模型生成一段预测视频，旁边挂着一个“物理考官”：它检查生成结果中是否有两块刚性物体重叠、液体体积是否突变、物件下落是否符合重力节奏。发现违规，就返回一个惩罚值。这个惩罚值会和常规的数据误差（比如预测画面与真实画面的像素差）加在一起，共同推动模型参数更新。

这个训练侧干预的设计非常巧妙：球员平时练球时教练纠正动作，到了正式比赛就靠肌肉记忆自然发挥，不必每投一球都现查公式。物理约束同样只需要在训练阶段参与计算，模型学成之后，推理生成时并不需要实时跑物理引擎，就能天然产出更守规矩的画面。这就像把教练的叮嘱内化成了投篮的肌肉记忆。

Ltotal=Ldata+∑k=1Kλk Lphys(k)\displaystyle \mathcal{L}_{\text{total}} = \mathcal{L}_{\text{data}} + \sum_{k=1}^{K} \lambda_k\, \mathcal{L}_{\text{phys}}^{(k)}
这条公式的意思是：模型训练时的总“考试分数”，等于“像不像真实视频”的分数，加上所有物理规则惩罚分的加权总和。
  1. 总损失表示训练时需要优化的总目标，相当于球员一整套训练动作的“综合扣分”。
    Ltotal\mathcal{L}_{\text{total}}
  2. 数据损失模型生成画面与真实画面的差距，这是原来纯数据训练时唯一的评分项。
    Ldata\mathcal{L}_{\text{data}}
  3. 求和符号把多个物理约束的惩罚值累加在一起，教练手里可以同时握好几条规则。
    ∑k=1K\sum_{k=1}^{K}
  4. 权重系数第 k 条物理约束的重要程度，相当于教练对不同规则的“重视指数”。
    λk\lambda_k
  5. 物理损失项第 k 条物理约束计算出的惩罚值，例如刚体穿透罚分、流体体积偏差罚分。
    Lphys(k)\mathcal{L}_{\text{phys}}^{(k)}

刚体约束守卫

教练在考核表里写下的第一条硬规矩：“关节不许反向扭，脚不许穿进地板。”这正是刚体约束的核心信念。刚体，就是受力时几乎不变形的物体——篮球、桌子、汽车。真实世界里两个刚体不能占据同一块空间，它们只会碰撞、反弹或静止接触，绝不会像鬼魂一样互相穿过。可数据驱动的模型不知道这条铁律，它常让杯子穿桌而过，让两辆车在画面里叠成一块。

刚体约束把“不可穿透”变成可计算的惩罚。训练时，物理考官逐帧检查生成视频里所有物体对，只要发现两个刚体的表面距离小于零，就根据“穿透深度”计算罚分。穿透越深，罚分越高，模型在梯度更新时就越努力把物体制动到不重叠的位置，同时也学会在接触瞬间产生合理的反弹或静止。

加入刚体约束后，模型生成的碰撞画面明显更“沉稳”：球落地会弹起，箱子摞起来不会互相陷进去。教练看球员的脚终于不再穿地板了，满意地在考核表上打了个勾。但他很清楚，刚体守住了，还有一类更难驯服的对象——液体和气体。

Lpen=1N∑i=1Nmax⁡(0, di−ε)2\displaystyle \mathcal{L}_{\text{pen}} = \frac{1}{N}\sum_{i=1}^{N} \max\left(0,\ d_i - \varepsilon\right)^{2}
这条公式衡量“穿透程度”：只有两个物体表面距离小于容差 ε 时才产生惩罚，差值越大扣分越狠。
  1. 平均符号对所有物体对取平均，保证惩罚不受画面里物体数量多少的影响。
    1N∑i=1N\frac{1}{N}\sum_{i=1}^{N}
  2. 最大函数当物体间隙大于容差时取 0（不罚），只有穿透时才取正值（要罚）。
    max⁡(0, di−ε)\max\left(0,\ d_i - \varepsilon\right)
  3. 表面间距第 i 对物体表面之间的实际距离，穿透时这个值会是负数。
    did_i
  4. 容差项允许的微小穿透范围，防止物理引擎数值抖动导致无谓惩罚。
    ε\varepsilon
  5. 平方惩罚对差距取平方，让轻微穿透得到小惩罚、深穿透得到迅速放大的大惩罚。
    2{}^{2}

流体流动自然

教练盯着球员投出去的水杯，皱眉说：“球是准了，可杯里的水甩得跟瀑布似的，这也太假了。”流体和刚体完全不同：刚体怕穿透，流体怕“变卦”。水没有固定形状，但总有一个铁律——体积不变。无论怎么晃、怎么洒，一杯水的体量不会凭空增多或减少。可模型若只靠数据模仿，很容易让液体越洒越多，或突然缩成一小团。

流体约束在训练中主要盯住三件事：体积守恒、动量传递和表面张力。体积守恒要求液体总质量在每一帧都稳定；动量传递要求流体运动方向随重力和容器壁的变化连贯延续；表面张力则管住液体表面的弯折程度，不让水花碎成不自然的乱点。三条规则共同织成一张网，逼着模型学会“湿”的质感。

有了流体约束，模型生成的水流、雾气、倒咖啡的画面都自然起来。教练看到球员投出的水杯终于不再甩出“天女散花”，点点头。刚体和流体都管住了，接下来一个更精细的问题摆在教练面前：考核表上这么多规则，每一条该占多少分？

Lvol=1M∑j=1M(Vj−Vj0)2\displaystyle \mathcal{L}_{\text{vol}} = \frac{1}{M}\sum_{j=1}^{M} \left(V_j - V_j^{0}\right)^{2}
这条公式是体积守恒约束的典型写法：把每一块流体当前体积和初始体积的误差平方后求平均，任何“凭空多水或漏水”都会被扣分。
  1. 样本均值对整个流体区域的所有网格块取平均惩罚。
    1M∑j=1M\frac{1}{M}\sum_{j=1}^{M}
  2. 当前体积第 j 块流体在生成帧中的实时体积，由模型预测的流体密度场决定。
    VjV_j
  3. 初始体积第 j 块流体在起始帧的体积，作为“本来该有多少水”的基准。
    Vj0V_j^{0}
  4. 作差平方当前体积与初始体积偏离越大，惩罚增长得越快，督促模型守住总量。
    (Vj−Vj0)2\left(V_j - V_j^{0}\right)^{2}

损失函数设计

教练的考核表越写越长：手腕角度、脚尖朝向、膝盖内扣、腰部发力顺序……但他很快发现，如果每条规则都扣 10 分，球员只会手忙脚乱；如果每条都只扣 0.5 分，又完全不起作用。给每条物理规则定权重，本身就是一门手艺。这对应着物理约束训练中损失函数的设计问题：多个约束如何加权合成、如何避免互相打架、如何让梯度稳定回传。

权重太高，模型会过度专注于规避物理惩罚，反而忽略画面与真实数据的相似度，出现“物理正确但内容稀烂”的退化；权重太低，物理惩罚形同虚设。更麻烦的是，不同约束之间存在天然冲突：刚体约束要求物体不可穿透，流体约束要求体积守恒，两套规则同时在边界处起作用时，梯度方向可能互相拉扯。实践中常采用“先按量纲归一化、再按重要性加权”的策略，让每个约束的梯度保持在相近量级。

还有一类更微妙的取舍：软约束与硬约束。软约束像温和的教练，把违规程度折算成连续罚分，梯度平滑但偶尔放水；硬约束像严苛的教官，发现违规直接强行把结果“投影”回合法区域，纠正果断却可能引入突变。实际系统常用软约束起步、逐渐增大权重，既让训练平稳，又让物理规律真正扎根。教练的考核表，最终变成一套精心调校的“权重配方”。

θ←θ−η ∇θ(Ldata+λ Lphys)\displaystyle \theta \leftarrow \theta - \eta\, \nabla_{\theta}\left(\mathcal{L}_{\text{data}} + \lambda\, \mathcal{L}_{\text{phys}}\right)
这条公式展示训练时模型参数的实际更新方式：沿着总损失的负梯度方向调整参数，物理损失和它的权重共同贡献修正方向。
  1. 参数更新模型参数在训练迭代中从旧值走向新值，相当于球员调整自己的发力习惯。
    θ←θ\theta \leftarrow \theta
  2. 学习率每步更新的步长，教练“纠正动作”的力度，步子太大容易练歪。
    η\eta
  3. 梯度算子对总损失求导，告诉我们往哪个方向调整参数能最快降低总罚分。
    ∇θ\nabla_{\theta}
  4. 数据与物理损失之和数据误差和物理惩罚共同决定修正方向，缺一不可。
    Ldata+λ Lphys\mathcal{L}_{\text{data}} + \lambda\, \mathcal{L}_{\text{phys}}

实战权衡之道

教练的考核表设计得再完美，也不能二十四小时在球员耳边喊。喊多了，球员连正常投篮都不会了。物理约束训练落地时同样面临三个现实问题：计算代价、场景适配、训练稳定。第一，每个训练步都要额外调用物理检查模块，对视频逐帧计算穿透、体积和动量，计算成本可能比数据损失本身还高；第二，不是所有业务都需要全套物理约束——一个做短视频卡点的模型，不必为流体加上精密体积守恒；第三，约束太密集会导致训练不稳定，损失曲线反复震荡，模型迟迟不收敛。

场景适配尤其考验判断力。一位做自动驾驶世界模型的工程师，最关心的是路上车辆的碰撞是否真实；一位做电商商品视频生成的工程师，最关心的可能是液体洗发水倒出的形态是否诱人。物理约束训练不应被当作万能补丁随意叠加，而应围绕业务核心流失点，挑选性价比最高的约束组合。先做约束的可行性测试，再逐步扩大范围，比一开始就全量上马稳健得多。

训练稳定方面，常见做法包括：约束权重采用从 0 到目标值的线性预热，前几千步先让模型站稳，再逐步施加物理压力；或者用梯度裁剪限制物理损失的瞬间冲击。教练的策略不是一蹴而就——先纠正最离谱的穿模，再管精细的流体细节，模型才有机会消化规则。回看那位球员，他也是在教练的“适量纠正”下，慢慢把投篮练稳的。

未来探索方向

球员已经能在教练的陪伴下稳定投篮了。但教练也开始思考：能不能把训练录像、传感器传回的发力数据、对手的防守站位结合起来，更精准地发现动作隐患？这正是物理约束训练未来的探索方向。第一，多模态物理感知：不仅依赖视频像素，还融合文本描述、深度图、触觉信号等更多模态的信息来定义“物理上合理”，让约束信号更丰富、更鲁棒。第二，神经物理引擎：用神经网络学习物理模拟过程，替代传统数值求解器，让约束计算更快、更平滑，训练成本大幅下降。第三，大规模验证：在更庞大、更多样的世界模型基准上系统检验物理一致性，建立统一的评估标尺，让物理约束训练从“经验艺术”走向“标准工程”。

多模态物理感知解决的是“约束信息来源单一”的问题。模型如果只从 RGB 视频判断碰撞，容易被光影欺骗；若同时利用深度图计算物体间距，再用文本描述辅助判断“应该发生什么”，约束的准确率会显著提升。神经物理引擎则瞄准效率痛点——传统刚体求解器在反向传播时计算量大，而神经模拟器用网络前向推理近似物理演化，天然可微，能与训练流程无缝衔接。大规模验证则是整个领域的地基，只有建立在可靠评测之上，不同方法之间的优劣才能真正可比。

这些方向并不遥远，它们已经在科研和工业界同步推进。教练的教鞭不会消失，但会变得更智能、更轻盈。当一个视频世界模型既能读万卷视频、又手握物理铁律，还能在毫秒级完成推理时，它离真正理解这个世界就更近了一步。

AI 应用场景

自动驾驶世界模型的碰撞预测

阶段：模型训练阶段

解决的问题：自动驾驶系统需要预测未来几秒内交通参与者的运动轨迹。纯数据训练的世界模型可能生成两车重叠、行人凭空穿车的危险画面，不仅不真实，还会误导规划模块。加入刚体不可穿透约束后，模型生成的所有碰撞场景都严格遵守物体互不穿透的规则，预测结果更可信。

具体案例：某自动驾驶团队在训练城市道路世界模型时，为所有车辆和行人添加刚体约束损失，同时为轮胎与地面的接触点加入摩擦力约束。训练后，模型预测的追尾场景中，两车会在碰撞瞬间减速反弹而非相互嵌合，下游决策模块据此生成的避让策略也更稳健。

电影特效中的流体镜头补全

阶段：生成后处理验证阶段

解决的问题：影视特效师常需要生成大量流体镜头，如水花飞溅、岩浆翻滚。传统 CG 流体模拟计算几天才能渲染一版，而纯 AI 生成的流体在体积和动势上常“漂移”——水花越溅越多。利用流体体积守恒约束作为训练损失，可以训练一个既快又守规矩的视频生成模型，直接生成可用的特效底稿。

具体案例：某特效工作室训练了一个专攻液体镜头的视频生成模型，损失函数中加入体积守恒和表面张力约束。美术人员输入一段粗略的流体动画草稿，模型自动补全水花的飞溅细节，且每一帧的液体总量保持恒定，补全结果可直接作为终版素材的参考层。

机器人仿真中的物理一致性数据

阶段：训练数据生成阶段

解决的问题：具身智能机器人需要大量“操作物体”的训练视频，纯生成数据常出现物体穿透、抓取打滑等不符合物理规律的现象，导致 sim-to-real 迁移失败。通过物理约束训练，在生成仿真数据时同时施加刚体与流体约束，让数据集从源头保证物理一致性。

具体案例：某机器人团队用世界模型生成“机械臂倒水”的仿真视频，训练损失里既包含水体的体积守恒，又包含杯壁与桌面的不可穿透约束。生成数据训练出的机械臂策略，在真实硬件上一杯之水准确倒入了杯中，成功率比使用无约束生成数据时提升了 30%。

Python 演示

python52 行
import numpy as np  class PenetrationConstraint:    """刚体穿透惩罚：计算损失并给出梯度（示意）"""     def __init__(self):        self.gc_count = 0     def loss(self, pos, radius):        n = len(pos)        total = 0.0        for i in range(n):            for j in range(i + 1, n):                dist = np.linalg.norm(pos[i] - pos[j])                gap = dist - 2 * radius                if gap < 0:                    total += 0.5 * gap * gap        self.gc_count += 1        return total     def grad(self, pos, radius):        n = len(pos)        g = np.zeros_like(pos)        for i in range(n):            for j in range(i + 1, n):                diff = pos[i] - pos[j]                dist = np.linalg.norm(diff) + 1e-8                gap = dist - 2 * radius                if gap < 0:                    direction = diff / dist                    g[i] += gap * direction                    g[j] -= gap * direction        return g  def demo():    # 模拟四个互相重叠的“生成粒子”，初始输出很不物理    np.random.seed(42)    pos = np.array([[0.2, 0.2], [0.3, 0.3], [0.1, 0.4], [0.4, 0.1]])    radius = 0.2    constraint = PenetrationConstraint()    lr = 0.1    for step in range(6):        l = constraint.loss(pos, radius)        g = constraint.grad(pos, radius)        pos = pos - lr * g        print("step {}: penetration loss = {:.4f}".format(step, l))  if __name__ == "__main__":    demo()
目的：演示物理约束训练中最核心的“穿透惩罚 + 梯度修正”循环。把四个互相重叠的粒子当作视频世界模型生成的违规输出，通过反复施加物理约束梯度，把粒子逐步推离到互不穿透的合法区域。
  1. class PenetrationConstraint:定义一个刚体穿透惩罚器，相当于教练手里那张考核表。
  2. self.gc_count记录惩罚函数被调用的次数，方便观察训练循环的执行频率。
  3. dist = np.linalg.norm(pos[i] - pos[j])计算两个粒子之间的几何距离，用来判断是否穿透。
  4. gap = dist - 2 * radius两个半径为 radius 的粒子不发生穿透的条件是间距不小于直径，gap 为负就说明浸入了。
  5. total += 0.5 * gap * gap对穿透深度取平方累加，实现“越深罚得越狠”的软约束损失。
  6. direction = diff / dist求出粒子间的单位方向向量，决定把粒子往哪个方向推开。
  7. g[i] += gap * direction计算粒子 i 收到的推开梯度，gap 是负数，所以方向是远离粒子 j。
  8. pos = pos - lr * g沿负梯度方向更新位置，模拟训练时模型参数被物理约束拉回合法区域的过程。
  9. print("step {}: ...")打印每步损失，直观看到物理约束一步步把违规生成修正干净。

常见误区

误区感觉“物理约束”就是模型生成完视频后，再用物理引擎把不真实的画面重新渲染一遍，相当于后期修图。

正解物理约束训练是训练侧手段，它把物理规律写成损失函数，在反向传播时修正模型参数。模型推理阶段并不需要实时跑物理模拟，学到的物理规则已经内化在权重里。好比球员平时在教练指导下反复纠正动作，比赛时靠肌肉记忆自然发挥，而不是每投一球都让教练现拉一把。

为何常见：因为“约束”这个词容易让人联想到运行时限制或后处理校验，而忽略了它发生在训练阶段这一关键事实。

误区认为只要在损失里加上刚体和流体约束，所有画面就一定物理正确，什么数据问题都能被约束扳回来。

正解物理约束只能覆盖事先写进损失里的那几条规律，它管不住光照、声学、材料软硬等无数其他物理细节。而且约束过强会挤压数据损失，导致画面“合法但离奇”。教练能纠正手腕角度，但球员选错了投篮时机，教练也爱莫能助。

为何常见：因为看到穿透损失公式直观有效，容易高估规则覆盖的范围，低估真实世界的复杂性。

误区十个约束比一个约束好，权重设 10 比设 1 靠谱，这样模型才不敢偷懒。

正解约束之间会互相冲突，梯度方向可能互相拉扯，导致训练不稳定甚至崩溃。权重过大时模型只顾躲避物理惩罚，生成内容会失去多样性和语义合理性。好的做法是精心挑选少量高性价比约束，并采用权重预热、梯度裁剪等技巧稳住训练。

为何常见：把“惩罚力度”等同于“学习效果”，忽略了多目标优化中的平衡问题。

误区给训练数据加一些物理仿真的负样本，或者把杯子穿桌的视频从数据集里删掉，这就是物理约束训练。

正解数据增强和清洗解决的是“喂什么数据”，物理约束训练解决的是“用什么规则评价输出”。它是在损失层面显式注入物理先验，让模型在优化过程中主动避开违规区域，而不是被动依赖数据里恰好出现或消失的样本。这两个方向互补，但不能互相替代。

为何常见：因为两者的最终效果都表现为“生成结果更符合物理”，容易被误解为同一种手段。

面试题

Q1. 物理约束训练在视频世界模型中发挥作用的阶段是？

单选题 · easy

  • A.推理期逐帧物理模拟
  • B.训练期损失函数引导← 正确答案
  • C.数据清洗期过滤视频
  • D.部署后期在线微调

答案：B。物理约束训练发生在训练阶段，通过把物理损失加入总损失来修正模型参数，推理时并不需要实时模拟物理。就像教练在平时练习时纠正动作，比赛时球员靠肌肉记忆发挥。

Q2. 视频世界模型纯数据训练常出现“杯子穿桌”类错误，根本原因是什么？

单选题 · mid

  • A.模型参数量不足
  • B.数据缺少物理常识显式表达← 正确答案
  • C.训练视频分辨率低
  • D.生成网络结构过时

答案：B。纯数据训练学到的是像素统计相关性，物理规律在数据中从未被显式标注，模型只能靠猜。增加参数量或分辨率只能让统计更平滑，无法根治缺失的物理因果。教练的存在，就是为了补上这条显式规则。

Q3. 在总损失公式 L_total = L_data + Σλ_k·L_phys^(k) 中，λ_k 表示什么含义？

单选题 · easy

  • A.第k个物理约束的权重← 正确答案
  • B.第k层网络的学习率
  • C.数据集中第k个样本数
  • D.第k个视频的帧率

答案：A。λ_k 是第 k 条物理约束的权重系数，表示教练对这条规则的重视程度。它不控制学习率，也不描述数据集规模，而是调节物理损失和数据损失之间的平衡。

Q4. 刚体约束主要解决哪一类物理不一致？

单选题 · mid

  • A.液体体积不稳定
  • B.物体互相穿透或形变异常← 正确答案
  • C.光线反射角错误
  • D.声音与画面不同步

答案：B。刚体约束的核心是“不可穿透”，管住物体之间不能重叠、不能异常形变。液体问题属于流体约束范畴，光线和声音问题则与物理约束训练不直接相关。

Q5. 下列属于物理约束训练中常见约束类型的有？

多选题 · mid

  • A.刚体不可穿透约束← 正确答案
  • B.流体体积守恒约束← 正确答案
  • C.记忆语义对齐约束
  • D.动量传递守恒约束← 正确答案

答案：ABD。刚体不可穿透、流体体积守恒、动量传递都是物理约束训练的典型规则。记忆语义对齐属于记忆机制的语义维护问题，不属于物理约束的范畴。

Q6. 在穿透损失 L = (1/N)Σmax(0, d_i−ε)² 中，ε 的作用是什么？

单选题 · mid

  • A.允许微小穿透容差← 正确答案
  • B.控制训练的学习率
  • C.衡量数据集的规模
  • D.设定模型的层数

答案：A。ε 是容差项，允许物体表面存在微小穿透而不计分，防止物理引擎数值抖动带来噪声惩罚。它和学习率、数据集规模、模型层数没有关系。

Q7. 物理约束训练方案落地时，哪些属于技术可行性与业务需求错配？

多选题 · extreme

  • A.为高实时业务引入重计算约束← 正确答案
  • B.为简单场景应用复杂流体约束← 正确答案
  • C.用物理约束提升高价值环节精度
  • D.忽略业务需求直接套用物理先验← 正确答案

答案：ABD。高实时业务承载不了重型物理约束，简单场景不需要复杂流体规则，忽略业务直接套用先验是典型的错配。只有 C 是正向做法：把约束用在真正影响业务价值的环节上。

Q8. 为什么物理约束权重 λ 不宜设置过大？

单选题 · hard

  • A.会使数据损失反向清零
  • B.会让模型过度修正导致崩溃← 正确答案
  • C.会显著增加训练视频时长
  • D.会使推理速度明显变慢

答案：B。λ 过大会让模型只顾规避物理惩罚，忽略与真实数据的相似度，生成结果可能变得极其刻板甚至训练崩溃。它不会增大训练数据量，也不会影响推理阶段的运行速度，因为物理约束只在训练时参与计算。

Q9. 飞行中水杯的水不洒、球体落地不塌陷，这两类现象分别受什么约束管束？

单选题 · easy

  • A.流体约束与刚体约束← 正确答案
  • B.刚体约束与动量约束
  • C.表面张力与体积守恒
  • D.碰撞约束与摩擦约束

答案：A。水杯里的水保持连绵形态属于流体约束的职责，球体落地不塌陷、不穿透属于刚体约束的职责。其余选项把概念归属搞混了。

Q10. 实施物理约束训练时需综合考虑哪些因素？

多选题 · mid

  • A.约束计算额外开销← 正确答案
  • B.约束与业务场景匹配← 正确答案
  • C.训练稳定性和置信度← 正确答案
  • D.增加数据采集设备

答案：ABC。计算代价决定训练成本是否可接受，场景匹配决定约束是否有必要，稳定性决定模型能否收敛。增加数据采集设备是数据生产问题，与物理约束训练的参数设计没有直接关系。