近年来，视频生成模型的发展速度令人瞩目，从 Sora、Veo、Kling 到各类开源模型，文生视频的视觉表现已经足以以假乱真——画面清晰、镜头流畅、风格可控，只需输入一句话便能产出一段观感不错的片段。

然而，一个关键问题随之浮现：当我们的评价标准从“好不好看”转向“对不对路”时，一个更深层次的矛盾开始凸显——当前这些模型虽然擅长营造视觉真实感，却并不真正理解，甚至根本不在乎物理世界是如何运作的。

一个球可以在未接触任何物体的情况下凭空变向；下落的物体可以无视重力定律；诸如碰撞、流体、切削、堆积、弹跳等动态过程，乍看之下似乎合理，但仔细推敲，处处都经不起基本物理常识的检验。在 VideoPhy-2 这类专为物理常识设计的视频评测中，即便是表现最佳的模型，其联合准确率也仅有 32.6%。数据清晰地表明：视频生成距离所谓的“世界模拟器”，仍横亘着一条关键鸿沟。

正是在这一背景下，浙江大学、香港理工大学、树根科技与三一集团联合提出了 NEWTON（Neural Agentic World-Aware Tool-Orchestrated Navigation）。该方案的核心思路非常明确：与其继续将物理知识硬塞进生成器的权重参数中，不如换一种策略——让一个擅长规划、能够调用物理工具并具备自查自纠能力的智能体（Agent），将生成器降级为其工具箱中的一件兵器。

VideoPhy-2 上的数据已成为行业的一个警示牌。即便生成器再强大，若缺乏物理常识作为支撑，它所生成的视频终究只是“看起来很对”的视觉幻觉。

视频生成为何总是“物理不稳”？

行业内一度普遍认为，只要模型规模足够大、训练数据足够多，物理规律迟早会被模型内化。但 NEWTON 团队指出了一个更为本质的问题：根源并不在模型本身，而在于输入条件——文本提示词本身，就不足以唯一确定一段符合物理规律的视频。再庞大的模型，也无法补回输入端所缺失的信息。

文本提示本质上是对物理世界的极端压缩。例如，一句“啤酒被倒进杯子直到装满”，表面上已描述了事件，但在实际执行中省略了大量关键参数：容器形状、泡沫生成速率、液面上升速度……模型拿到的仅是一句自然语言，却被要求生成一个完整、连续且符合物理规律的视频。换句话说，它在信息严重匮乏的条件下，被要求交出一份满分答卷。

关键信息一旦缺失，模型就只能凭借“幻觉”进行补全。单帧画面或许非常漂亮，但在时间维度上却处处露馅：液面不上升、刀划过木头却没有留下凹槽、颗粒倒下却不堆积、物体碰撞后毫无反应。

这就引出了一个核心判断：要生成物理可靠的视频，不能押注在一句 prompt 上。它至少需要同时满足三个条件：信息要完整——能够补齐影响动态的物理变量；过程要灵活——能够针对不同场景调用不同的物理工具；结果要可验证——生成后能发现问题，甚至回头修正。

然而，现有的方法往往只能满足其中一两点。端到端模型将物理知识隐式压进参数，但输入本身就不完整；ControlNet 这类方法依赖单一模态的预设信号，难以随场景切换，灵活性不足；而单轮生成则完全没有反馈回路，结果不对也无从修改。

NEWTON 的破局思路：将生成变为一个可规划、可验证的流程

NEWTON 最核心的变化，是重新定义了视频生成系统的工作方式。

传统路径非常短：用户输入 prompt，生成器直接输出视频。这意味着所有物理细节都需由生成器一次性猜测出来。NEWTON 则将这一步变成了一个多轮智能体循环——Planner 首先分析当前任务缺少哪些物理信息、需要调用哪些工具；Executor 负责执行工具调用和视频生成；Verifier 则为结果打出一个物理合理性分数，并将反馈写回下一轮规划。在这个循环中，视频生成器不再是唯一主角，它只是工具箱中的一个动作；真正负责组织整个流程的，是可训练的 Planner。

工具库覆盖了互补的物理维度：

• 关键帧生成工具用于为视频补充时间边界条件，例如规定抛物线运动在中间帧到达最高点，或要求倒酒时杯内液面随时间逐步升高。
• 科学计算工具在沙盒 Python 环境中计算轨迹、动量守恒、旋转动力学等数值结果，将人类熟悉的物理推理显式写入生成上下文。
• 提示词优化工具则负责将材料属性、动作阶段、因果关系重新组织成生成器更容易“理解”的条件。

更关键的是，NEWTON 无需改动底层的视频生成模型。无论是采用 LTX-Video 还是 Veo-3.1，生成器始终保持冻结状态。整套系统中真正需要训练的只有 Planner——它通过 Flow-GRPO 在真实的多轮工具调用流程中进行 on-policy 优化，逐步学会在什么时候该计算物理量、什么时候该生成关键帧、什么时候该重写场景描述、以及什么时候该真正触发视频生成。

这样的设计，将“物理能力”从生成模型内部抽离出来，变成了一种可组合、可检查、可迁移的智能体行为。

实验表现：不改生成器，也能显著提升物理一致性

数据是最直接的证明。在 VideoPhy-2 基准测试中，NEWTON 的效果相当稳定。接入 LTX-Video 后，联合准确率从 21.4% 提升至 29.7%；接入 Veo-3.1 后，在选取的测试集上从 30.7% 提升到 37.4%。这些提升并非来自重新训练视频生成器，而是得益于 Planner 对物理工具、关键帧条件和反馈循环的组织能力。

具体案例更能说明问题。在倒啤酒时，NEWTON 能让杯子随着注入逐渐被填满，而基线模型却常常出现“杯子早就满了”“怎么倒都倒不进去”“泡沫在增长但液面却不动”这类荒诞画面；刀刻木头时，只有 NEWTON 能同时刻出凹槽和木屑；吹泡泡和 LEGO 橄榄球交接的镜头也呈现出同样的规律——基线模型往往“动作发生了，但世界状态没有改变”，而 NEWTON 能完整呈现液面上升、材料移除、颗粒堆积、受力反弹这些具有因果关系的动态过程。

总结

NEWTON 的意义不仅在于某个评测指标上刷出了新高。它更重要的价值在于，提出了一种视频生成的新范式：未来的视频模型，或许不应只是一个端到端的视觉合成器，而应成为智能体系统中的可调用模块。

当任务涉及真实世界的动态规律时，系统需要的不仅是更强的渲染能力，还需要知道自身缺失了什么信息、该调用什么工具、如何验证结果，以及在失败之后如何重新规划。

从这个视角来看，NEWTON 为“世界模拟器”提供了一条更加务实的路径：不是等待物理规律从黑箱中自然涌现，而是将牛顿请进工具箱，让智能体借助物理知识，一步步将视频生成得更加真实、可信。