让自然语言成为世界模型的表征，英伟达Physis-Lang这样增强视频物理真实性
X：https://x.com/NVIDIAAI/status/2105051552029556942
从一块黄油如何融化，到 Physics-IQ Verified 的榜一，视频里的物理细节值得被重新描述一遍。
给视频模型一句「黄油受热融化」，它该生成什么？
一块逐渐变小的黄油、一圈向外扩散的液体，还是一团突然瘫软的黄色物体？这句话点出了事件，却省略了中间的过程。热量如何改变状态，重力如何影响形状，固体缩小与液体铺展怎样同时发生，都需要模型自己补全。
英伟达联合 MIT 和牛津大学的研究团队提出的 Physis-Lang，就从这些经常被省略的细节入手：把物理原因、规律和结果写进语言描述，再让这套描述贯穿数据筛选、模型训练和视频生成。
视频 1｜Physis-Lang 完整演示：物理语言表征、描述准则自进化、数据检索及视频生成结果。
图 1｜Physis-Lang 论文标题、作者及研究机构。 在权威榜单 Physics-IQ Verified 上，Physis-Lang 的 Cosmos3-Super 和 Cosmos3-Nano 版本分别以 48.2 和 43.3 的得分，按平均分位列第一、第二。
图 2｜Physics-IQ Verified 榜单对比。Physis-Lang 的 Super 与 Nano 版本按平均分位列第一、第二，Super 较此前最高分提升 5.5 个百分点。
榜单地址：https://physics-iq-verified.anates.ai/
其中，Super 比图中此前最高的 42.7 分高出 5.5 个百分点；16B 大小的 Cosmos3-Nano 加入 Physis-Lang 以后，均分也超过了原始 64B 大小的 Super 模型。一个值得追问的问题是：语言描述究竟改了什么，能把提升传递到生成的视频里？
在训练和推理的 caption 中，细致地注入物理过程
普通视频 caption 往往擅长交代场景：画面里有什么，谁做了什么动作。Physis-Lang 进一步要求描述物体之间的作用，以及这种作用如何推动后续变化。
Physis-Lang 在基础描述之外加入物理推理信息。训练时，它为真实视频重新生成更细致的文本监督；推理时，它扩展用户的简短输入，并补充与当前场景相关的负向描述，约束不合理的物理行为。
还是黄油的例子。更完整的描述可以是：持续加热使黄油逐渐融化，固体部分在重力作用下塌落，体积不断缩小，融化后的液体在周围形成逐渐扩大的浅层液池。
这段话给出了连续的状态变化。生成模型需要表现的，不再只有「黄油」和「融化」两个概念，还有升温对物态的影响，固体与液体之间随时间变化的关系。
但描述更长，也可能意味着编造更多。模型如果把看不见的原因写得头头是道，反而会引入错误监督。因此，这项工作的关键，是让物理描述能够被检查，并据此持续改进。
评价 caption 物理细致程度的 PhysCapBench
& 自进化的 caption prompt
视频 2｜描述准则的自进化流程：固定标注模型，根据物理评估反馈迭代共享的 caption prompt，并通过 PhysCapBench 验证。
研究团队为此构建了 PhysCapBench：一个评判视频描述中物理细节是否充分、是否正确的 benchmark。它包含 246 段物理视频，以及 3,794 条经过人工核验的原子断言，平均每段视频约 15.4 条。
所谓原子断言，可以理解为能够单独判断真假的物理陈述。例如，杯子撞上硬物后破裂，评估时会先将碰撞、受力和破裂的整个过程分解为逐条简短的物理陈述，再逐一评判，而不是笼统地给整段文字打一个印象分。
评分分为两个方向：Precision 检查描述说出的内容有没有依据；Recall 检查人工标注的物理信息有没有被覆盖。两者合成 F1，让「写得对」和「写得全」都有了可比较的尺度。
有了这把尺子，自进化才有明确的反馈。系统先在固定的 20 段开发视频上生成描述，由物理评估器指出遗漏和错误，再交给进化智能体修改共用的描述准则。更新后的准则还要在 PhysCapBench 上验证，最后选出表现最好的版本。
这个过程中，标注模型的权重保持不变。每轮修改的是所有视频共用的 caption prompt，而不是逐条给某个视频的答案「打补丁」。