OmniFysics-Nano-V2 技术报告：跨模态理解物理世界

arXiv 论文提出 OmniFysics-Nano-V2，一个支持图像、视频、音频、语音和文本输入的紧凑型全模态模型，同时可生成文本与语音。作者指出既有全模态训练多围绕语义描述和通用目标，物理属性、交互状态和因果机制监督不足，因此构建双分支物理感知数据管线，并采用两阶段 Group Relative Policy Optimization 课程训练。在 21 项基准中，该模型在 17 项取得领先结果。

此前全模态模型的扩展重点在增加模态数量，但论文指出增加模态本身并不提供把观察与世界物理结构关联起来的监督。该工作把物理属性、声学事件与交互结果显式纳入数据与强化学习目标，同时报告在保留通用全模态能力的前提下提升物理世界理解，指向从语义对齐转向物理接地的新训练方向。

机制上分为两层：数据层用双分支管线，将显著物体锚定到结构化物理属性，并把视觉变化与声学事件、中间响应和交互结果对齐；训练层按奖励多样性筛选强化学习提示，用两阶段 Group Relative Policy Optimization 从通用任务正确性逐步过渡到细粒度物理感知推理，从而在缺乏显式物理标注的情况下补上监督信号。

对产品与研发的直接含义是：物理感知能力可能不再只靠堆模态或堆通用数据获得，而需要建设带物理属性与跨模态事件对齐的数据管线，并在后训练阶段引入分阶段强化学习课程。这会推高数据标注与训练流程设计成本，但可能改善机器人在真实环境中的因果与交互理解表现。

• 在机器人或具身智能产品中试用该物理接地训练思路，验证交互任务成功率是否提升。
• 围绕视觉变化与声学事件对齐，构建可复用的物理感知数据标注流程。
• 按奖励多样性筛选提示，搭建从任务正确性到物理推理的两阶段强化学习课程。
• 以 21 项基准中的 17 项领先为线索，复现并审计其物理推理评测结果。

• 论文中 21 项基准的具体名称、任务构成与对比模型是什么？
• 双分支物理感知数据管线的数据规模、来源与标注成本尚未披露。
• 模型的具体参数规模、推理延迟与部署资源需求未知。
• 摘要末尾被截断，完整结论与消融实验细节仍需查阅原文。