Physis-Lang：用自进化物理语言提升视频世界模型

视频世界模型旨在预测物理世界的演变，但它们经常生成视觉上合理却违反基本物理原理的视频。现有方法通常假设自然语言不足以表示可靠生成所需的物理知识，因此引入额外的视觉、潜在、数值或基于规划的信号。我们重新审视这一假设，并引入 Physis-Lang，这是一个自我演进的框架，将物理语言视为数据策展、模型训练和视频生成之间共享且可优化的表示。Physis-Lang 通过描述相关实体、原因、相互作用、支配原则、时间演化和影响的语言来表示物理过程。为了改进这种表示，我们构建了 PhysCapBench，它将物理过程分解为原子断言，并使用召回率和精确度评估字幕。一个智能体循环迭代地分析断言级别的错误，并优化用于生成交互式字幕的指令。Physis-Lang 进一步将模型的缺陷转换为文本描述，并利用语言引导检索来识别覆盖缺失物理过程的视觉多样化视频。在四个广泛使用的物理视频基准上进行的实验（使用 Wan 和 Cosmos 骨干网络）表明，物理合理性得到了一致的提升。值得注意的是，从开源的 Cosmos3-Nano 骨干网络开始，我们的 Physis-Lang 增强模型超越了领先的专有 Veo 3.1 模型。