Physis-Lang：作为视频世界模型物理表征的自进化语言

arXiv 2026 34 method

TLDR

Physis-Lang以自进化物理语言为视频世界模型共享表征，通过字幕优化与数据整理提升物理合理性。

评分理由

The paper presents a novel framework that revisits language's role in physical video modeling, supported by a new benchmark and experiments on multiple backbones. Weaknesses include limited visible details on quantitative results and potential limitations of language for precise physical dynamics.

Read-first 评分解释

综合优先阅读分 34，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 41。

近期性 5%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 15%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、实验

主题相关性 25%

58.6

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 15%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 10%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：315。

关键词评分

video world model

world model

world dynamics prediction

generative world model

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

提出 Physis-Lang，一种自进化框架，将物理语言视为跨数据整理、模型训练和视频生成的共享且可优化的表征。
挑战了自然语言不足以表示可靠视频生成所需物理知识的假设。
提出 PhysCapBench，将物理过程分解为原子断言，并使用召回率和精确率评估字幕。
使用智能体循环迭代分析断言级字幕错误，并细化用于生成物理字幕的指令。
将模型缺陷转化为文本描述，并使用语言引导的检索获取覆盖缺失物理过程的视觉多样视频。

方法

Physis-Lang 通过描述实体、原因、交互、支配原理、时间演化与效应的语言来表示物理过程，并将这种语言视为跨数据整理、训练和生成的可优化表征。PhysCapBench 通过将过程分解为原子断言并以召回率和精确率评分来评估物理字幕；智能体循环根据断言级错误细化字幕生成指令。模型缺陷被转化为文本描述以指导检索多样化的训练视频，实验使用 Wan 和 Cosmos 骨干在四个物理视频基准上进行。

关键结果

Physis-Lang 增强的模型在基于 Wan 和 Cosmos 骨干的四个物理视频基准上，物理合理性持续提升。从开源 Cosmos3-Nano 骨干出发，增强后的模型超越了领先的专有 Veo 3.1 模型。

技术栈

Physis-LangPhysCapBenchWanCosmosCosmos3-NanoVeo 3.1

资源

论文