NVIDIA等推出Physis-Lang：自演化的物理语言框架

物理失真：视频世界模型的隐性短板

当前主流视频世界模型虽能生成视觉逼真的视频片段，却频繁违反基础物理规律：黄油像颜料一样铺展、球体穿透墙壁、石块浮于水面……这类‘视觉正确、物理错误’的现象，暴露了模型对物理因果机制的缺失。NVIDIA、MIT与牛津大学研究团队指出，问题根源不在视觉表征或数值建模不足，而在于缺乏统一、可优化的物理语义接口——语言本身，正是这一接口的理想载体。

Physis-Lang：让字幕会‘讲物理’

Physis-Lang并非新模型，而是一套端到端的语言驱动框架。其核心创新在于重构视频字幕结构：在传统‘发生了什么’（what）描述之外，强制引入`physics_reasoning`字段，要求逐项明确实体、因果链、相互作用、支配原理、时间演化过程及可观测效应。例如，‘黄油融化’需延伸为‘固态黄油受热传导影响，分子动能增加导致相变，重力使其沿斜面流动’。同时，系统自动生成`physics_negative_prompt`——如‘石头悬浮于水面’——作为推理阶段的负向条件约束，抑制物理不合理输出。

自演化字幕循环：指令迭代，而非模型重训

该框架采用冻结字幕生成器（GPT-5.5）、动态进化指令的闭环机制。初始阶段，字幕器为273条人工验证物理断言组成的20视频开发集生成字幕；Gemini-3.1-Pro作为物理感知评论家，从精度（每个原子主张是否与视频一致）和召回（所有人工断言是否被显式陈述或逻辑蕴含）两维度打分；进化代理据此分析失败案例，重写指令。整个过程在全新构建的PhysCapBench基准（246视频、3794断言）上验证。9轮迭代后，字幕F1值从78.64升至87.82，过程中经历反复调试——第2轮因过度保守致F1跌至76.28，第9轮则要求覆盖每一帧可见因果步骤，并将采样率从2fps提升至4fps。

语言引导的数据策展：按物理缺陷检索视频

当生成视频出现物理错误时，GPT-5.5诊断代理将其归因至刚体运动、碰撞、流体动力学等物理类别，形成‘缺陷画像’；该画像匹配大型视频库中预标的物理标签（如‘非弹性碰撞’‘表面张力主导’），实现按物理内容而非视觉相似性检索。最终训练集含183K视频：71K来自WISA-80K筛选，112K为检索补充。仅靠检索策略，就在三项物理基准上平均提升3.01分；在VideoPhy-2中，化学与热力学过程子项分别提升8.00分。

性能对比：全面超越Veo 3.1，且零架构改动

Physis-Lang采用LoRA微调注意力投影层，未变更模型结构或训练目标。在Cosmos3-Nano上对比Google Veo 3.1：PhyGenBench（71.04 vs 65.63）、Physics-IQ Verified（43.41 vs 34.99）、PhyGround（69.90 vs 69.24）均领先；在VideoPhy-2硬分割集上优势更显著（62.36 vs 58.43）。增益跨骨干模型稳定存在：Wan2.1-14B +7.05，Cosmos3-Nano-16B +6.22，Cosmos3-Super-64B +5.02。关键的是，通用视频质量（VBench-I2V）未受损：Cosmos3-Nano从88.32微升至88.69。纯提示工程（物理推理+负向提示）亦可将冻结模型在PhyGenBench上从61.67提至67.29。

本地化落地：从API依赖到全开源轻量模型

为摆脱商业API成本，团队将GPT流水线蒸馏为两个Qwen3-VL-4B-Instruct模型：PhysThinker-C负责物理字幕生成，PhysThinker-U用于提示词升维。在Wan2.1-14B上，商用方案带来+7.05增益但耗资约24,120美元；替换为PhysThinker-C后，增益保持+6.76，成本降至约120美元；全本地部署则零成本仍获+4.76收益。

编者观点

Physis-Lang揭示了一条重要路径：在大模型时代，高质量领域知识语言化（而非仅参数化）可成为低成本、高兼容性地注入专业能力的关键杠杆——对中国AI企业而言，深耕垂直领域‘可解释、可验证、可演进’的知识语言体系，或将比单纯堆算力更具长期壁垒。