NVIDIA, MIT, Oxford Propose Physis-Lang to Boost Video Model Physics
NVIDIA, MIT, and Oxford researchers introduced Physis-Lang, a method that encodes physical causes, laws, and effects into language descriptions to enhance the physical realism of video generation models. The approach integrates these descriptions across data filtering, model training, and inference, achieving top scores on the Physics-IQ Verified benchmark, with the Super version scoring 48.2 and Nano 43.3, ranking first and second by average.
Coverage timeline
机器之心机器之心
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
