[{"data":1,"prerenderedAt":23},["ShallowReactive",2],{"news-zh-iclr-2026-microverse":3},{"slug":4,"lang":5,"title":6,"summary":7,"date":8,"category":9,"tags":10,"cover":16,"order":17,"author":18,"authorTitle":18,"authorSlug":18,"people":19,"bodyLang":5,"html":22},"iclr-2026-microverse","zh","ICLR 2026｜自由动脉 CTO 蔡镇阳合著 MicroVerse：用 459 项任务考出视频模型的“微观短板”","ICLR 2026 论文提出微观世界模拟：以 459 项任务评测视频模型，并用 9,601 段专家验证视频训练 MicroVerse，自由动脉 CTO 蔡镇阳为作者之一。","2026-11-16","论文",[11,12,13,14,15],"ICLR 2026","世界模型","视频生成","微观模拟","MicroVerse","/images/news/iclr-2026-microverse/cover.jpg",4,"",[20,21],"蔡镇阳","王本友","\u003Cp>视频生成模型这两年进步飞快：街景、人物、物体运动都能生成得以假乱真，研究者也开始把它们当作“世界模拟器”，用来帮助机器人学习技能、帮助智能体探索环境。\u003C/p>\n\u003Cp>但这些进展几乎都发生在肉眼可见的宏观尺度。把镜头推进到肺泡、细胞乃至分子，情况就变了：生成的画面“看起来像那么回事”，过程却经不起推敲。论文展示的案例中，Sora 和 Veo3 在模拟肺泡、细胞分裂和 DNA 相关过程时，都出现了违反物理或生物规律的情况。\u003C/p>\n\u003Cp>针对这一空白，来自香港中文大学（深圳）、北京协和医院和深圳河套学院的研究者提出“微观世界模拟”（Micro-World Simulation）的概念，并给出一套完整的概念验证：评测基准 \u003Cstrong>MicroWorldBench\u003C/strong>、专家验证数据集 \u003Cstrong>MicroSim-10K\u003C/strong>，以及在此基础上训练的微尺度视频生成模型 \u003Cstrong>MicroVerse\u003C/strong>。论文已被 \u003Cstrong>ICLR 2026\u003C/strong> 接收（Poster）。自由动脉 CTO \u003Cstrong>蔡镇阳\u003C/strong>是论文作者之一，自由动脉首席 AI 科学家\u003Cstrong>王本友\u003C/strong>是论文通讯作者。\u003C/p>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>论文标题\u003C/strong>：MicroVerse: A Preliminary Exploration Toward a Micro-World Simulation\u003Cbr>\u003Cstrong>论文链接\u003C/strong>：\u003Ca href=\"https://arxiv.org/abs/2603.00585\" target=\"_blank\" rel=\"noopener noreferrer\">https://arxiv.org/abs/2603.00585\u003C/a>\u003Cbr>\u003Cstrong>代码\u003C/strong>：\u003Ca href=\"https://github.com/FreedomIntelligence/MicroVerse\" target=\"_blank\" rel=\"noopener noreferrer\">https://github.com/FreedomIntelligence/MicroVerse\u003C/a>\u003Cbr>\u003Cstrong>数据集\u003C/strong>：\u003Ca href=\"https://huggingface.co/datasets/wangrongsheng/MicroVerse\" target=\"_blank\" rel=\"noopener noreferrer\">https://huggingface.co/datasets/wangrongsheng/MicroVerse\u003C/a>\u003Cbr>\u003Cstrong>作者\u003C/strong>：Rongsheng Wang*、Minghao Wu*、Hongru Zhou、Zhihan Yu、Zhenyang Cai（蔡镇阳）、Junying Chen、Benyou Wang（王本友）†（* 共同第一作者，† 通讯作者）\u003Cbr>\u003Cstrong>作者单位\u003C/strong>：香港中文大学（深圳）、北京协和医院、深圳河套学院\u003C/p>\n\u003C/blockquote>\n\u003Ch2>背景：世界模型的盲区在微观尺度\u003C/h2>\n\u003Cp>微观模拟追踪原子、分子和细胞之间的相互作用，是理解生命过程背后机制的重要手段。论文指出，它在药物发现、器官芯片、疾病机制研究等生物医学场景中前景广阔，在教育和交互式可视化上也有潜力。\u003C/p>\n\u003Cp>问题在于，现有视频模型主要用人类尺度的视频训练，缺少微观物理原理和生物医学知识的支撑。作者把这项工作定位为对“生物机制教育性微观模拟”的探索，而非复现湿实验的结果。\u003C/p>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/news/iclr-2026-microverse/fig1-failure-cases.jpg\" alt=\"图 1：Sora 与 Veo3 在微观模拟上的失败案例，三行分别为肺泡、细胞分裂和 DNA 相关过程，左起依次为提示词、真实视频、Sora 和 Veo3 的结果（图源：论文）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 1：Sora 与 Veo3 在微观模拟上的失败案例，三行分别为肺泡、细胞分裂和 DNA 相关过程，左起依次为提示词、真实视频、Sora 和 Veo3 的结果（图源：论文）\u003C/span>\u003C/span>\u003C/p>\n\u003Ch2>方法一：MicroWorldBench，为微观视频制定评分细则\u003C/h2>\n\u003Cp>已有的视频评测多用通用评分规则，难以发现“画面好看、机制错误”的问题。MicroWorldBench 为每个任务单独制定带权重的评分细则（rubric），把专家认为最关键的科学要点放在首位。\u003C/p>\n\u003Cp>\u003Cstrong>任务从哪来。\u003C/strong> 研究者按器官级、细胞级、亚细胞级三个层级的主题检索了 8,000 多个 YouTube 视频，由 GPT-4o 根据标题和简介生成 8,162 个候选任务，再经三位生物学专家筛选（每个任务至少获两位专家认可），最终保留 \u003Cstrong>459\u003C/strong> 个任务：器官级 238 个、细胞级 189 个、亚细胞级 32 个。\u003C/p>\n\u003Cp>\u003Cstrong>细则怎么定。\u003C/strong> 对每个任务，GPT-5 先起草一组评分条目，每条包括评价维度（科学保真度、视觉质量或指令遵循）、具体描述、加分或扣分方向，以及权重（核心科学要求 1.0、重要但次要的要求 0.5、辅助或呈现层面的要求 0.2）。随后三位拥有博士学位、在细胞与分子生物学领域有 8 至 12 年经验的专家独立审改：删除冗余条目、调整权重、补充遗漏的科学约束，再经讨论和多数表决合并。最终得分按全部加分项的满分归一化到 100 分，避免次要加分项抵消严重的科学错误。\u003C/p>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/news/iclr-2026-microverse/fig2-microworldbench.jpg\" alt=\"图 2：MicroWorldBench 评测流程示例：任务要求生成含红细胞、葡萄糖分子和血管的微观血流场景，评分系统按专家修订的条目逐项判断，示例视频得 1.5/2.5，即 60%（图源：论文）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 2：MicroWorldBench 评测流程示例：任务要求生成含红细胞、葡萄糖分子和血管的微观血流场景，评分系统按专家修订的条目逐项判断，示例视频得 1.5/2.5，即 60%（图源：论文）\u003C/span>\u003C/span>\u003C/p>\n\u003Cp>专家的修改留有记录：只有约 \u003Cstrong>7.6%\u003C/strong> 的任务需要专家补充遗漏的科学条目；尺度越小，专家介入越多，器官级任务平均每题修改 1.52 次，细胞级 3.00 次，亚细胞级 5.50 次。评分由 GPT-5 担任裁判。抽样核验显示，仅人类专家之间的一致性系数（Fleiss&#39; κ）为 0.733，加入 GPT-5 后为 0.771；GPT-5 与 Gemini-2.5-pro 打分的 Spearman 相关系数为 0.835。\u003C/p>\n\u003Ch2>评测发现：画面逼真，机制失真\u003C/h2>\n\u003Cp>研究者在 MicroWorldBench 上评测了 HunyuanVideo、CogVideoX、Wan2.1 / Wan2.2 系列等开源模型，以及 Sora、Veo3 两个商业模型，每个模型按默认设置只推理一次。\u003C/p>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/news/iclr-2026-microverse/fig3-benchmark-results.png\" alt=\"图 3：各视频生成模型在 MicroWorldBench 上的分维度得分（图源：论文表 2）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 3：各视频生成模型在 MicroWorldBench 上的分维度得分（图源：论文表 2）\u003C/span>\u003C/span>\u003C/p>\n\u003Cp>结果揭示了三个现象：\u003C/p>\n\u003Cul>\n\u003Cli>\u003Cstrong>视觉质量高，科学保真度低。\u003C/strong> Wan2.2-T2V-A14B、Sora、Veo3 的视觉质量都在 92 分以上，但科学保真度明显落后：除 Veo3（65.7）外，参评模型都在 15.6 至 43.0 之间。Sora 的视觉质量为 96.4，科学保真度只有 35.3。\u003C/li>\n\u003Cli>\u003Cstrong>尺度越小越难。\u003C/strong> 例如 Wan2.2-T2V-A14B 器官级得分 56.3，细胞级和亚细胞级分别为 52.0 和 53.3；Sora 的细胞级得分（46.1）也明显低于器官级（55.9）。作者认为，这与微观任务对物理、生物一致性要求更高、训练数据更稀缺有关。\u003C/li>\n\u003Cli>\u003Cstrong>只堆参数不够。\u003C/strong> 在 Wan2.1 系列中，模型从 1.3B 扩大到 14B，视觉质量从 71.8 升至 86.0，科学保真度只从 40.3 升至 42.7。\u003C/li>\n\u003C/ul>\n\u003Ch2>方法二：MicroSim-10K 与 MicroVerse\u003C/h2>\n\u003Cp>要补上“微观常识”，先要有对的数据。研究者通过 YouTube 官方 API 检索微观模拟视频，只保留分辨率不低于 720p、采用知识共享（Creative Commons）许可的视频，共 12,848 个；再用 OpenCLIP 按相邻帧相似度切出 67,853 个语义连贯的片段，并层层过滤：\u003C/p>\n\u003Cul>\n\u003Cli>基于 VideoMAE 训练的分类器（准确率超过 92%）剔除与微观模拟无关的片段 34,318 个；\u003C/li>\n\u003Cli>用 OpenCV 检测黑边、用 EasyOCR 检测字幕，分别剔除 6,694 个和 14,647 个片段；\u003C/li>\n\u003Cli>专家审核后，再剔除 2,593 个无意义或物理上不一致的片段。\u003C/li>\n\u003C/ul>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/news/iclr-2026-microverse/fig4-data-pipeline.png\" alt=\"图 4：MicroSim-10K 的数据过滤流程，从 67,853 个原始片段中筛出 9,601 个（图源：论文）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 4：MicroSim-10K 的数据过滤流程，从 67,853 个原始片段中筛出 9,601 个（图源：论文）\u003C/span>\u003C/span>\u003C/p>\n\u003Cp>最终的 MicroSim-10K 包含 \u003Cstrong>9,601\u003C/strong> 段专家验证的视频片段，每段 5 至 60 秒。每段视频由 GPT-4o 结合均匀采样的 8 帧画面和原视频的标题、简介生成平均约 150 词的描述，并经专家核验。为排除数据泄漏，研究者在视频 ID、文本和画面三个层面做了去重；进一步剔除 14 个可能相近的评测任务后，MicroVerse 的平均分从 50.2 变为 50.0，基本不受影响。\u003C/p>\n\u003Cp>模型方面，MicroVerse 以 Wan2.1-T2V-1.3B 为基座，在 8 张 NVIDIA H200 GPU 上用 MicroSim-10K 全参数微调 5,000 步，生成 480×832 分辨率、81 帧的视频；训练时以 10% 的概率丢弃文本条件，以支持无分类器引导（CFG）。\u003C/p>\n\u003Ch2>实验结果：科学保真度领先所有参评开源模型\u003C/h2>\n\u003Cp>在 MicroWorldBench 上，MicroVerse-1.3B 的科学保真度为 \u003Cstrong>43.0\u003C/strong>，比基座 Wan2.1-T2V-1.3B（40.3）高 \u003Cstrong>2.7\u003C/strong> 分，也高于参数更多的 Wan2.1-T2V-14B（42.7），在所有参评开源模型中最高；在极具挑战的亚细胞级任务上得到 \u003Cstrong>53.3\u003C/strong> 分，与 Wan2.2-T2V-A14B 并列开源模型第一。代价是视觉质量（71.8 降至 68.5）和指令遵循（50.1 降至 49.3）略有下降，论文认为这不影响提升科学保真度这一核心目标。与商业模型相比仍有明显差距：Veo3 的科学保真度为 65.7。\u003C/p>\n\u003Cp>针对小模型提升有限、视觉质量略降的问题，研究者进一步扩大模型规模，并混入等量的通用高质量视频（从 OpenVid 随机采样）一起训练：\u003C/p>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>基座模型\u003C/th>\n\u003Cth>训练数据\u003C/th>\n\u003Cth>科学保真度\u003C/th>\n\u003Cth>视觉质量\u003C/th>\n\u003Cth>指令遵循\u003C/th>\n\u003C/tr>\n\u003C/thead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd>Wan2.1-1.3B\u003C/td>\n\u003Ctd>不微调\u003C/td>\n\u003Ctd>40.3\u003C/td>\n\u003Ctd>71.8\u003C/td>\n\u003Ctd>50.1\u003C/td>\n\u003C/tr>\n\u003Ctr>\n\u003Ctd>Wan2.1-1.3B\u003C/td>\n\u003Ctd>MicroSim-10K\u003C/td>\n\u003Ctd>43.0\u003C/td>\n\u003Ctd>68.5\u003C/td>\n\u003Ctd>49.3\u003C/td>\n\u003C/tr>\n\u003Ctr>\n\u003Ctd>Wan2.1-1.3B\u003C/td>\n\u003Ctd>通用数据 + MicroSim-10K\u003C/td>\n\u003Ctd>44.1\u003C/td>\n\u003Ctd>74.4\u003C/td>\n\u003Ctd>53.8\u003C/td>\n\u003C/tr>\n\u003Ctr>\n\u003Ctd>Wan2.1-14B\u003C/td>\n\u003Ctd>不微调\u003C/td>\n\u003Ctd>42.7\u003C/td>\n\u003Ctd>86.0\u003C/td>\n\u003Ctd>53.8\u003C/td>\n\u003C/tr>\n\u003Ctr>\n\u003Ctd>Wan2.1-14B\u003C/td>\n\u003Ctd>MicroSim-10K\u003C/td>\n\u003Ctd>45.4\u003C/td>\n\u003Ctd>82.7\u003C/td>\n\u003Ctd>51.4\u003C/td>\n\u003C/tr>\n\u003Ctr>\n\u003Ctd>Wan2.1-14B\u003C/td>\n\u003Ctd>通用数据 + MicroSim-10K\u003C/td>\n\u003Ctd>\u003Cstrong>48.3\u003C/strong>\u003C/td>\n\u003Ctd>\u003Cstrong>87.7\u003C/strong>\u003C/td>\n\u003Ctd>\u003Cstrong>56.9\u003C/strong>\u003C/td>\n\u003C/tr>\n\u003C/tbody>\u003C/table>\n\u003Cp>表中数据来自论文表 4。可以看到，“扩大模型 + 混合数据”让 14B 模型的科学保真度提升到 \u003Cstrong>48.3\u003C/strong>（较基座提高 5.6），视觉质量和指令遵循也同步提高，论文称其在开源模型中达到最优水平。\u003C/p>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/news/iclr-2026-microverse/fig5-human-eval.png\" alt=\"图 5：（a）MicroVerse 与基座 Wan2.1-1.3B 的人类评测胜负结果；（b）（c）LLM 裁判与人类、不同 LLM 裁判之间的打分一致性（图源：论文）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 5：（a）MicroVerse 与基座 Wan2.1-1.3B 的人类评测胜负结果；（b）（c）LLM 裁判与人类、不同 LLM 裁判之间的打分一致性（图源：论文）\u003C/span>\u003C/span>\u003C/p>\n\u003Cp>人类评测也印证了这一点。研究者构建了覆盖三个层级的 60 组样本（每个层级 20 组），将模型输出随机打乱后，由三位评测者在 MicroVerse 与基座 Wan2.1-1.3B 之间选择更好的一方或判为平局。在科学保真度上，MicroVerse 胜出 \u003Cstrong>47\u003C/strong> 组、持平 5 组、落后 8 组；三位评测者两两之间的一致性系数 Cohen&#39;s κ 为 0.81 至 0.87。\u003C/p>\n\u003Cp>消融实验也说明了数据质量的作用：用未经清洗的原始数据（34,318 个片段）微调，科学保真度为 42.1、指令遵循为 44.5；改用清洗后的 9,601 个片段，两项分别为 43.0 和 49.3，数据更少，效果更均衡。\u003C/p>\n\u003Ch2>意义与展望\u003C/h2>\n\u003Cp>论文称，这是首次提出“微观世界模拟”的概念，并以明确的目标、专门的评测基准、训练数据和定制模型构成完整的概念验证，有望用于生物学研究、教育和科学可视化。\u003C/p>\n\u003Cp>作者也明确了边界：当前方法还没有显式引入支配微观动力学的物理规律，如血流中的流体力学、分子输运中的扩散—反应方程、细胞过程中的生物力学约束，因此尚不适用于需要高精度科学模拟和预测的场景；评测任务目前取材于 YouTube，后续计划引入专业显微成像数据库扩展评测范围。\u003C/p>\n\u003Cp>目前，MicroWorldBench 评测代码与 MicroVerse 训练代码已在 GitHub 开源，约 9.6k 条样本的数据集已在 Hugging Face 发布。\u003C/p>\n\u003Ch2>团队介绍\u003C/h2>\n\u003Cul>\n\u003Cli>\u003Cstrong>蔡镇阳\u003C/strong>（Zhenyang Cai）：论文第五作者，署名单位为香港中文大学（深圳）。他是香港中文大学（深圳）博士研究生、自由动脉 CTO，负责多模态医疗模型研发，参与过 HuatuoGPT-o1、DentalGPT 等模型的研发，并以第一作者身份在 NeurIPS、ACL 发表论文。\u003C/li>\n\u003Cli>\u003Cstrong>王本友\u003C/strong>：论文通讯作者，香港中文大学（深圳）数据科学学院助理教授、博士生导师，自由动脉首席 AI 科学家。\u003C/li>\n\u003Cli>论文共同第一作者为 Rongsheng Wang 与 Minghao Wu，其他作者包括 Hongru Zhou（北京协和医院）、Zhihan Yu 和 Junying Chen。论文署名单位为香港中文大学（深圳）、北京协和医院和深圳河套学院。\u003C/li>\n\u003C/ul>\n",1794841746244]