PhysEvolve: autoevoluzione ancorata a un verificatore per il ragionamento fisico con mondi eseguibili

Abstract degli autori

Il ragionamento fisico è alla base del modo in cui i sistemi incarnati comprendono il mondo fisico e vi agiscono, ma i modelli visivo-linguistici (VLM) restano inaffidabili nelle domande sulla dinamica e sulla causalità fisica. I progressi sono fortemente limitati dalla scarsità di dati di addestramento controfattuali fondati su evidenze concrete: i video di osservazione mostrano soltanto la traiettoria che si è effettivamente verificata. Il paradigma dell’autoevoluzione offre una via oltre i dataset fissi, consentendo ai modelli di costruire i propri problemi di addestramento. Estendere questo paradigma alla fisica, però, richiede una fonte esterna di verità che possa sia convalidare gli ambienti proposti dal modello sia verificare gli esiti fisici alternativi in seguito a un intervento. Presentiamo \physevolve{}, un framework di autoevoluzione ancorato a un verificatore che addestra i VLM al ragionamento fisico causale usando mondi eseguibili proposti dal modello e compiti generati tramite simulazione. A ogni iterazione, un VLM condiviso propone programmi per mondi eseguibili e schemi per le evidenze; un motore fisico deterministico fissa ciascun mondo valido, simula due rami abbinati — uno di riferimento e uno controfattuale in cui un corpo è stato rimosso — e genera compiti visivi discreti con risposte vincolate. Il feedback esatto del verificatore sulle soluzioni dei compiti aggiorna sia la policy condivisa tramite GRPO sia un curriculum adattivo sugli intenti fisici. Partendo da Qwen3-VL-8B-Instruct, \physevolve{} ottiene miglioramenti mirati su PhysBench, CausalPhys e ContPhy senza dati relativi a interventi umani: il punteggio aumenta di $8.8$ punti in PhysBench Throwing e di $7.4$ e $24.4$ punti, rispettivamente, in ContPhy Counterfactual Removal e Goal-Pit. Questi miglioramenti si concentrano sulle domande sensibili alle interazioni e a mondi modificati, mostrando un trasferimento zero-shot dei principi causali a dinamiche complesse mai viste (tessuti, fluidi, corpi deformabili) e a video del mondo reale.