你按一下橡皮、面团和毛绒玩具，手感和形变完全不同。机器人面对的难题也一样：动作看似相同，材料不同，结果就可能不同。若它不知道手里的东西有多硬、是否会永久变形，就很难提前判断一次拉扯或挤压会发生什么。
PhysCoRe 想补上这块能力。它是一种面向可形变物体的世界模型——也就是在机器人真正行动前，预测物体接下来会怎样变化的模型。过去的物理方法通常要给每个新物体单独拟合材料参数，速度慢；完全靠数据学习的方法虽然绕过调参，却可能在陌生情况中失准，也不一定遵守基本物理结构。PhysCoRe 的选择是把两者叠在一起：先用物理模拟搭骨架，再让神经网络识别材料、修正误差。
这项工作由 Haocheng Yin、Shuohan Tao、Yongsheng Chen 和 Lu Gan 提出，于 2026 年 7 月 22 日以 arXiv:2607.20653v1 发布。以下技术细节和实验结果均来自作者团队的预印本，尚无同行评审、独立复现或第三方结果交叉验证。
先认材料，再预测形变
PhysCoRe 的核心是一套可微分 MPM 模拟器。MPM，即 Material Point Method，是模拟连续材料形变的一类数值方法：它把物体表示成许多携带材料信息的粒子，再借助背景网格计算受力和运动。“可微分”意味着模拟结果的误差可以沿计算过程反向传递，用来训练模型。
但模拟器需要知道材料参数。比如弹性和硬度会决定物体受力后怎样弯曲、拉伸或回弹，同样的按压力落在橡皮和面团上，结果不会一样。传统方案往往要对新物体反复优化这些数值。PhysCoRe 用 Material from Motion（MfM）替代了这一步。
MfM 的意思接近“从运动中识别材料”。它观察一小段多视角 RGB-D 数据——同时包含颜色与深度的画面——以及物体和操作者的运动，然后一次前向计算，为各个粒子估计材料参数。它还判断这一段物体更接近弹性还是塑性行为：前者受力后倾向恢复，后者可能留下永久形变。
这里关键的换角度是：材料属性虽然不能直接从表面图像读出来，却会通过运动显露。机器人不必先拿到一张写着“硬度多少”的标签，而可以观察“按下去以后怎样动”，再反推材料。
物理打草稿，网络负责订正
真实世界总比公式复杂。即使材料估计正确，较粗的离散计算、简化的材料定律，以及未被充分描述的接触和摩擦，仍会让模拟结果偏离现实。
因此，PhysCoRe 加入第二个模块 Residual from Dynamics（RfD）。残差模型不从零预测一切，而是学习已有模型还差多少。可以把它理解为：MPM 先按物理规律写出草稿，RfD 再订正其中稳定出现的偏差。
RfD 的修正发生在 MPM 内部的网格速度更新环节，而不是等模拟结束后再挪动物体。作者还限制了每次修正的幅度，并把网络输出层初始化为零，让训练从“不修改物理模拟”开始。论文称，这样可以补偿模拟到现实的差距，同时保留 MPM 原有的物理结构。
两个模块分阶段训练。由于日常物体各处的材料参数很难大规模测量，作者从 14 段真实 PhysTwin 记录出发，保留物体几何和操控轨迹，合成不同的弹性与塑性材料分布，用来预训练 MfM。随后冻结 MfM，再让 RfD 在真实序列上学习模拟结果与观测之间的偏差。
快的不只是计算
作者用 12 段真人手部操控序列评估模型。物体包括绳子、毛巾、毛绒熊和 Play-Doh 塑形材料，动作包括提起、推动、拉伸和挤压。每种方法先用一段序列的前 50% 识别材料，再预测剩余部分。
与 PhysTwin 相比，PhysCoRe 在弹性物体上把 Chamfer distance（衡量两组空间点形状差异的距离，越低越好）降低了 43.7%，在弹塑性物体上降低了 30.5%；可见点的跟踪误差分别降低 15.2% 和 8.3%。它也优于另一项对照方法 PGND。
速度差距更直观。论文报告，PhysCoRe 识别材料需要 11.4 秒，PhysTwin 的逐物体优化需要 930 秒，PGND 需要 8280秒。换句话说，它把“遇到新东西后重新调一套参数”，变成了“看过一段运动后直接给出估计”。这正是它更接近在线适应的地方。
消融实验——即拿掉某个模块，看性能如何变化——也说明 RfD 并非装饰。只用 MfM 时，模型已经可以依靠物理模拟预测；加入 RfD 后，弹性物体的 Chamfer distance 又降低 13.1%，弹塑性物体降低 17.8%。后者改善更大，与 RfD 专门补偿接触、摩擦和不可逆形变误差的设计方向一致。
“我还不确定”也能成为能力
MfM 不只输出材料参数，还为每个粒子给出置信度，也就是模型认为这项估计有多可靠。作者观察到，随着模型看到更多运动，高置信区域会集中到真正发生过形变的位置。直觉上也合理：没有被拉过、压过的区域，很少暴露自己的材料特性。
作者还让 KUKA 机械臂用 Robotiq Hand-E 夹爪探查绳子、毛巾和毛绒玩具。实验展示的置信度图中，机械臂使某处发生形变后，那里的置信度上升，未充分互动的位置仍保持较低。这样的地图可以告诉机器人“下一次值得去哪里试”。
不过，论文展示的是探索所需的信号，还不能等同于已经验证了一套完整的闭环主动探索策略。作者的措辞也把 confidence-guided exploration——由置信度引导的探索——主要留作未来方向。
为什么值得关注
PhysCoRe 的意义不只在某一项误差更低。它试图解决世界模型进入真实接触任务时的一道实际障碍：模型不仅要认出“这是毛巾”，还要理解这块毛巾在当前动作下会怎样变形；而这种理解不能每换一个物体就花很久重新校准。
它给出的路线很克制：不要求神经网络凭数据重新发明物理规律，也不假设解析模拟器已经足够准确。物理模型负责可解释的运动骨架，MfM 从观察中补上物体特有的材料属性，RfD 再处理公式与现实之间剩余的缝隙。若这条路线能在更多物体和任务中成立，机器人世界模型就可能从“预测看起来会发生什么”，进一步走向“依据材料和接触，预测为什么会这样变”。
局限与未知
- 实验只有 12 段真实操控序列，覆盖绳子、毛巾、毛绒熊和 Play-Doh；作者明确表示，当前评估没有检验跨类别的零样本迁移。
- 当前实现主要处理弹性和弹塑性材料，尚不能直接覆盖撕裂、切割、黏附、流体式运动或高度复杂的接触。
- RfD 只在有限种类的可形变物体上训练。面对更广泛的材料和动力学分布能否保持效果，仍未得到验证。