Geradores de vídeo com IA conseguem fazer cada quadro parecer convincente enquanto a sequência quebra a física básica: um copo quica em vez de se estilhaçar, uma fileira de dominós cai mas deixa o vaso em pé. O PhysLoop, um preprint de pesquisadores da Universidade de Pequim, da ByteDance Seed, do MIT e de outras instituições, tenta corrigir isso colocando um simulador físico entre o conhecimento de um modelo de linguagem e o vídeo final. É um sistema de pesquisa, não um produto, mas mostra um caminho prático para vídeos de IA mais críveis.
O método funciona em etapas. Um agente de programação, por padrão o GPT-6 Astra da OpenAI, transforma um pedido numa especificação de tarefa, registra suposições como altura da queda ou superfície, reúne modelos 3D e monta uma cena no Unreal Engine 5.7. O simulador executa o evento, um verificador o compara com a especificação, e só então um modelo de vídeo, por padrão o Seedance 2.5, refina a aparência; o vídeo final é conferido de novo. O mesmo fluxo pode consertar um vídeo já gerado reconstruindo só o trecho com defeito. A equipe está publicando o PhysLoop-100K, 100K vídeos de 2.5K eventos físicos distintos, além de dois conjuntos de teste.
Os resultados são mais claros no conserto. No PhysLoop-Repair, o sistema completo acertou 86,00% das vezes, contra 19,33% do Seedance 2.5 sozinho, e nenhum gerador isolado passou de 20%. Nas tarefas de geração, chegou a 85% de sucesso contra 73%, com notas humanas melhores para plausibilidade física, 4,06 contra 3,80, mas realismo visual menor, 3,72 contra 4,29. No benchmark externo Physics-IQ Verified, marcou 52,06 contra 48,07; usar o Claude Opus 5 como agente deu a melhor nota, 53,75, apesar de menos sucesso nos outros testes. Os autores estimam o custo de dez tarefas de geração em US$ 42,99 em cobranças de vídeo, mais os tokens do modelo, e cada vídeo leva de 7 a 12 minutos.
A abordagem contorna uma fraqueza conhecida: avaliadores gerais e modelos de vídeo julgam mal a física, enquanto um simulador não precisa julgar, ele calcula. Isso a deixa mais perto dos desenhos de agentes guiados por verificadores, hoje comuns em ferramentas de programação, do que de insistir nos prompts de um modelo de vídeo.
Os limites são grandes. É um preprint no arXiv, sem revisão por pares. A ideia de autoaperfeiçoamento recursivo é uma aspiração; a própria seção de limitações diz que um ciclo de treino completo ainda precisa ligar a detecção de fraquezas à seleção de dados. Os resultados dependem da cobertura do simulador e dos materiais supostos, as taxas de vitória em pares foram pontuadas por um único autor sem cegamento, e as métricas automáticas de qualidade põem o PhysLoop um pouco abaixo dos geradores isolados.