论文页面 - Physis-Lang：作为视频世界模型物理表征的自进化语言

Source: https://huggingface.co/papers/2609.40358 Authors:

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

Abstract

视频世界模型被期望预测物理世界如何演化，但它们常常生成视觉上看似合理、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征可靠生成所需的物理知识，因此引入额外的视觉、隐层、数值或基于规划的信号。我们重新审视这一假设，并提出 Physis-Lang——一个自进化框架，将物理语言作为数据策展、模型训练和视频生成中共享且可优化的表征。Physis-Lang 通过语言来描述物理过程的相关实体、成因、相互作用、支配原理、时间演化及其影响。为了改进这一表征，我们构建了 PhysCapBench，将物理过程分解为原子断言，并使用召回率和精确率来评估描述（caption）。一个智能体循环（agentic loop）迭代地分析断言级错误，并优化生成物理描述所用的指令。Physis-Lang 进一步将模型缺陷转化为文本描述，并利用语言引导的检索来识别视觉上多样、且覆盖缺失物理过程的视频。在 Wan 和 Cosmos 骨干模型上的四个常用物理视频基准上的实验表明，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 骨干模型出发，我们经 Physis-Lang 增强的模型超越了领先的专有模型 Veo3.1。

View arXiv page (https://arxiv.org/abs/2609.40358)View PDF (https://arxiv.org/pdf/2609.40358)Project page (https://physis-intelligence.github.io/physis-lang-web/)Add to collection (https://huggingface.co/login?next=%2Fpapers%2F2609.40358)

Models citing this paper0

No model linking this paper

Cite arxiv.org/abs/2609.40358 in a model README.md to link it from this page.

Datasets citing this paper0

No dataset linking this paper

Cite arxiv.org/abs/2609.40358 in a dataset README.md to link it from this page.

Spaces citing this paper0

No Space linking this paper

Cite arxiv.org/abs/2609.40358 in a Space README.md to link it from this page.

Collections including this paper0

No Collection including this paper

Add this paper to acollection (https://huggingface.co/new-collection)to link it from this page.