PhysStream: Streaming Physics-Grounded Video Generation with Structured Scene Memory and Fine-Grained Motion Control

PhysStream: a nova geração de vídeos gerados por IA que respeita as leis da física

Se você acompanha o universo da inteligência artificial, já deve ter visto vídeos gerados por modelos como Sora, Runway ou Kling. São resultados impressionantes, mas há um problema que qualquer empresário do setor audiovisual conhece bem: a física desses vídeos costuma ser uma bagunça. Copos que flutuam, bolas que atravessam mesas, objetos que mudam de direção sem explicação. É exatamente essa lacuna que um novo estudo propõe fechar.

Pesquisadores apresentaram o PhysStream, um modelo autorregressivo de geração de vídeo a partir de imagens que coloca a física — e não apenas a aparência — no centro do processo. Em vez de descrever o que deve aparecer na tela com um texto genérico, o usuário pode controlar diretamente o comportamento físico dos objetos, como se estivesse "empurrando" elementos de uma cena em tempo real.

O problema das ferramentas atuais

Os métodos de controle de vídeo disponíveis hoje enfrentam duas limitações sérias. A primeira: quase todos exigem que você defina todo o roteiro de controle antes de começar a geração. Ou seja, não dá para ajustar no meio do caminho. A segunda: os sinais de controle são baseados em pixels, ou seja, dizem apenas "onde o objeto deve estar", mas não "como ele deve se comportar fisicamente". Isso significa que o modelo não aprende as forças por trás do movimento — apenas copia posições.

É como dirigir um carro olhando apenas para o retrovisor: você sabe onde esteve, mas não entende por que o veículo se move daquela forma.

Como o PhysStream resolve isso

O diferencial do PhysStream está em dois pilares técnicos:

• Memória estruturada da cena: o modelo mantém mapas de posição e rastreamento dos objetos, gerados automaticamente a partir dos quadros anteriores. Isso dá ao sistema uma noção de continuidade — ele "lembra" onde cada objeto estava e como se movia.
• Sinais esparsos de incremento de velocidade: em vez de forçar posições, o usuário informa pequenas variações de velocidade que representam grandezas físicas reais. Assim, o modelo aprende a dinâmica subjacente — inércia, aceleração, colisões — e não apenas a replicar coordenadas.

O treinamento acontece em duas etapas. Primeiro, um modelo bidirecional é ajustado com condicionamento de controle de movimento. Depois, um modelo autorregressivo causal é treinado com a memória estruturada adicional, o que melhora a consistência física quadro a quadro.