旧帧序评分已复核;当前数字帧序结果为 Text 2/5、Vision 3/5,均仅为单题诊断。查看新的 A/C/D 对照 →

PHYGENBENCH · SMOKE · phygen_001

Agent 像素首帧 → Qwen-Image 真实化 → I2V

同一个 prompt:agent 先生成一张 1280×720 像素首帧,Qwen-Image-2.1 把它重渲染成真实感首帧,agent 再基于该首帧生成 5 秒 / 120 帧视频。Qwen 只用于初始帧,不参与任何视频帧生成。

旧 smoke 的视频交付校验通过,但 Qwen v2 额外添加了流入杯子的水流,未通过预动作状态审核。旧结果保留为流程演示。v3 三候选已生成并审核,均无外来水流;已选择 seed 2026111901。新的 I2V Text/Vision smoke 均已交付 120 帧有效视频,使用同一张首帧。按数字帧序复核的单题 GPT-5.5 评分为 Text 2/5、Vision 3/5;交付校验通过不代表物理质量通过。
1280×720agent 首帧
168k / 15.7k首帧 input/output tokens
120 帧I2V · 24 FPS · 校验通过
24.4k / 33.3k本轮 I2V Text / Vision output tokens

1. Agent 像素首帧

GPT-6.1-Sol · Vision · 1280×720 · 1 帧。使用 NumPy/PIL 的 2D 像素绘制;画面风格化,带文字标签。

2. Qwen-Image 重渲染

v1 · 普通 prompt:仍是 CG 风格,文字标签保留。
v2 · photoreal prompt + negative prompt + cfg 5.0:外观更真实,但新增了从上方流入杯子的水流,因此首帧审核未通过。

3. v3 预动作首帧审核

三候选 · 1536×864。选择第一张 seed 2026111901;保留直立杯、手、空间站布局,没有流入或流出的水流。下游 Text/Vision 使用同一张等比缩放后的 1280×720 首帧。

新 I2V smoke 已完成交付。下面的 v2 视频保留为旧流程演示。

4. 新 I2V smoke · 同首帧 Text / Vision

Text · 120 帧 · 24 FPS · 首帧一致。无图像附件或视觉工具;1,911,227 input / 24,387 output tokens,3 次生成,14.8 分钟。
Vision · 120 帧 · 24 FPS · 首帧一致。实际看图 6 次;1,147,223 input / 33,308 output tokens,6 次生成,25.5 分钟。

按数字帧序复核:Text 2/5、Vision 3/5(GPT-5.5,8 帧;不是全量 PhyGenBench 分)。首帧更真实仍不足以保证正确的流体动力学。

Text 候选与完整记录 → · Vision 候选与完整记录 →

5. 旧 T2V / I2V 流程演示

T2V · agent 直接由文本生成 120 帧。
I2V · Qwen v2 真实首帧 + 原 prompt,agent 生成 120 帧。

结论与下一步

1. 此例的 agent 首帧较风格化;代码使用 2D 像素绘制,不能依据画面风格把它归为 3D 建模。

2. 此例的 photographic prompt 改善了外观,但也改变了动作状态。真实感与场景保真需要分别检查。

3. v3 三候选已生成,水仍在杯内,没有水流或外部液滴。原生使用 1536×864,审核通过后等比缩放为 1280×720;再启动 I2V 并展示 token 与视频。

← PixelWorld 主页 · 分析实验进度

PhyGenBench · 10 条 A/C/D 首帧对照与实时视频 →