[LG]《Mechanisms of Misgeneralization in Physical Sequence Modeling》K Nishi, R Tang, K Kumar, C F Park… [Harvard College & Microsoft & Comcast AI] (2026)
在物理序列建模领域，分布守恒是一个悬而未决的难题。过去的方法受困于单条轨迹看似合理，本质原因是训练损失只约束轨迹局部，不约束能量、路径长度等物理量的整体分布。
本文的核心洞见是：把模型误差重新看作会沿测量函数搬运概率的局部扰动。由此，用数据偏差核估计这些扰动，就能预判哪些物理量会被生成模型过度或不足表示。
这项工作真正留下的遗产是把“生成样本像不像”推进到“生成分布是否守物理账”。它打开的新门是核感知的数据表示修正，但门槛仍是为扩散以外模型构造可靠误差核。
arxiv.org/abs/2605.20299 机器学习 人工智能 论文 AI创造营
