Vídeo con IA, contado desde las fuentes

Análisis

Benchmark PhysResponse: diez modelos de vídeo fallan en parámetros físicos, según los autores

Un benchmark de arXiv halla errores físicos muy superiores a los de vídeos correctos en modelos image-to-video; el PSNR puede premiar lo estático.

Portada: Un fotograma fijo supera a los modelos en PSNR. 37,8 PSNR del fotograma repetido, superior al de todos los modelos. PhysResponse, Wan2.2-I2V-A14B, MiniMax-H3, PhysRVG, PhysAlign, Cosmos3-Nano

Los autores de PhysResponse, un benchmark de arXiv para generadores de vídeo, informan de que, en diez modelos image-to-video, los mejores errores de parámetros siguen siendo más de diez veces los de los vídeos físicamente correctos (arXiv). También afirman que los modelos rara vez reproducen los dos resultados de un par de transición y que métricas visuales habituales como el PSNR no detectan fallos que el benchmark pone de manifiesto. Para quien elija un modelo con movimiento físicamente plausible, el resultado sugiere que las puntuaciones de similitud de píxeles son una mala guía.

Qué mide el benchmark

Según el artículo, PhysResponse prueba la sensibilidad a los parámetros físicos en dos niveles. El primer nivel invierte un simulador condicionado por la escena y recupera la gravedad, la fricción y la velocidad inicial que muestra en la práctica el movimiento generado. El segundo nivel evalúa eventos cercanos a transiciones críticas. La idea es intervenir sobre un ajuste físico y comprobar si el vídeo generado responde a él, en lugar de juzgar si un clip simplemente parece plausible.

Los autores evaluaron diez modelos en Core100 con cuatro formatos de prompt y la semilla 0, lo que produjo 4.000 vídeos generados (arXiv). Para calibrar la medición, pasaron vídeos de referencia por el mismo proceso, que mostraron errores del 3,6 % en gravedad, del 1,4 % en fricción y del 1,1 % en velocidad. Esas cifras de referencia son el mínimo con el que se comparan los errores de los modelos, y a ellas se refiere la diferencia de un orden de magnitud mencionada al inicio.

Las métricas visuales premian quedarse quieto

Resultados publicadosTabla 2 (a) del artículo: ningún modelo sigue la física indicada en el promptFilas de la tabla 2 (a) del artículo (versión HTML de arXiv), copiadas celda a celda por nuestro código; una cabecera de dos filas se muestra como «grupo: columna»; un nombre vacío repite el de arriba. Son cifras de los propios autores, no una prueba independiente. La tabla tiene 11 columnas; se muestran 5. No se muestran: Cinemática (2 columnas), Error de parámetros efectivo (3 columnas), Humano. Filas: las 10 primeras de 11.Datos leídos el 19 de noviembre de 2026Fuente [2]Cómo funciona este formatoDescargar los datos
Modelo Consistencia visual y de movimiento: error L2 ↓ Consistencia visual y de movimiento: S-IoU ↑ Consistencia visual y de movimiento: PSNR ↑ Consistencia visual y de movimiento: SSIM ↑ Página de origen
Condition frame repeated 12.59% 0.000 37.8 0.977 https://arxiv.org/html/2611.24419
CogVideoX-1.5 13.59% 0.057 22.9 0.844 https://arxiv.org/html/2611.24419
Cosmos-Predict2 13.60% 0.071 20.8 0.800 https://arxiv.org/html/2611.24419
Cosmos3-Nano 17.40% 0.153 29.7 0.935 https://arxiv.org/html/2611.24419
HunyuanVideo-1.5 14.90% 0.200 27.4 0.927 https://arxiv.org/html/2611.24419
MiniMax-H3 13.93% 0.290 27.7 0.853 https://arxiv.org/html/2611.24419
PhysAlign 19.29% 0.217 30.1 0.940 https://arxiv.org/html/2611.24419
PhysRVG 12.94% 0.049 30.3 0.926 https://arxiv.org/html/2611.24419
VideoGPA 16.10% 0.064 22.0 0.806 https://arxiv.org/html/2611.24419
Wan2.2-I2V-A14B 17.16% 0.099 21.0 0.702 https://arxiv.org/html/2611.24419
Figure 3 del artículo científico: Constructing PhysResponse.
Figure 3 de arXiv:2611.24419, de los autores del artículo, CC BY 4.0. Constructing PhysResponse.
Gráfico: Visual and motion consistency: L2 err. ↓ by model: Condition frame repeated 12.59%, CogVideoX-1.5 13.59%, Cosmos-Predict2 13.60%, Cosmos3-Nano 17.40%, HunyuanVideo-1.5 14.90%, MiniMax-H3 13.93%…
Visual and motion consistency: L2 err. ↓ by model. Gráfico elaborado a partir de la tabla de este artículo; datos de arxiv.org/abs/2611.24419

La tabla 2 (a) del artículo agrupa los cuatro formatos de prompt e informa de la consistencia visual y de movimiento de cada modelo, con una fila que simplemente repite el fotograma de condición. Ese fotograma repetido tiene un error L2 del 12,59 %, un S-IoU de 0,000, un PSNR de 37,8 y un SSIM de 0,977. Los autores afirman que repetir el fotograma de condición supera a todos los modelos en PSNR, SSIM y error L2. La tabla muestra por qué: el fotograma repetido tiene un S-IoU de 0,000, así que no contiene movimiento, pero su PSNR de 37,8 supera el de todos los modelos, con PhysAlign en 30,1 y PhysRVG en 30,3 como los más altos entre los modelos. Un clip estático obtiene la mejor puntuación de similitud mientras fracasa en la tarea real, de modo que estas métricas premian el movimiento débil.

Entre los modelos, PhysRVG tiene el menor error L2, con un 12,94 %, mientras que PhysAlign tiene el mayor, con un 19,29 %. Aun así, PhysAlign tiene un PSNR de 30,1 y un SSIM de 0,940, lo que convive con su peor cifra de L2. Las métricas de esta tabla no ordenan los modelos de forma coherente, otra razón para dudar de cualquiera de ellas por separado. MiniMax-H3 muestra el mayor S-IoU de los modelos, 0,290, mientras que Cosmos3-Nano llega a 0,153 con un error L2 del 17,40 %.

La precisión de los parámetros y los resultados de los eventos divergen

Los dos niveles del benchmark no cuentan la misma historia. De 2.385 registros de gravedad puntuados en ambos niveles, 48 combinan errores de parámetros pequeños con resultados de evento erróneos, y 929 asocian errores de parámetros grandes con resultados correctos. Por tanto, un modelo puede acertar el evento por una razón física equivocada, y un benchmark que solo compruebe los resultados no lo vería. Esto concuerda con el resumen de los autores de que los dos niveles revelan fallos complementarios.

Las clasificaciones también dependen de la medida. El artículo dice que Wan2.2-I2V-A14B ocupa el primer puesto en PairAcc (30,7 % y 42,1 %) y en VPSR (22,9 % y 34,6 %). Sin embargo, en la tabla 2 (a) esa misma fila de Wan2.2-I2V-A14B tiene un error L2 del 17,16 % y un SSIM de 0,702, el SSIM más bajo de las filas mostradas. Un modelo que lidera en precisión de pares de eventos puede parecer débil en similitud de píxeles, lo que respalda la necesidad de medidas específicas de física.

Alcance y límites

La tabla es de los propios autores y no una prueba independiente, por lo que las cifras reflejan su proceso y sus prompts. El artículo limita su prueba de transferencia a vídeo real a WorldBench, y sus tipos reservados no añaden objetos ni rangos de parámetros nuevos. Los profesionales deben leer los resultados como un diagnóstico en escenas controladas: muestran dónde se quedan cortos los modelos image-to-video actuales en gravedad, fricción y velocidad, no cómo se comportan con metraje arbitrario.

Lo que no indican las fuentes que leímos

Comprobamos seis datos en cada historia en el texto completo de cada fuente. Las páginas de la lista de fuentes no indican requisitos de hardware.

Cómo lo hemos hecho

Resultados publicados

Tabla 2 (a) del artículo: ningún modelo sigue la física indicada en el prompt

Filas de la tabla 2 (a) del artículo (versión HTML de arXiv), copiadas celda a celda por nuestro código; una cabecera de dos filas se muestra como «grupo: columna»; un nombre vacío repite el de arriba. Son cifras de los propios autores, no una prueba independiente. La tabla tiene 11 columnas; se muestran 5. No se muestran: Cinemática (2 columnas), Error de parámetros efectivo (3 columnas), Humano. Filas: las 10 primeras de 11.

arXiv

Fuentes

Las fuentes a partir de las que se escribió este artículo. Los enlaces abren la página original.

  1. arXivPhysResponse: Probing the Physics of Video Generation with Controlled Interventionsarxiv.orgFuente primaria · consultada el 19 de noviembre de 2026
  2. arXivPhysResponse: Probing the Physics of Video Generation with Controlled Interventionsarxiv.orgFuente primaria · consultada el 19 de noviembre de 2026
  • physics
  • benchmark
  • image to video
  • evaluation
  • research