📖标题：Physis-Lang: Self-Evolving Language as a Physical Representation for Video World Model🌐来源：arXiv, 2609.40358v1🛎️文章简介🔸研究问题：现有的视频生成模型虽然画面精美，但经常违反基本物理规律（如物体穿模、重力失效），如何通过优化语言描述来提升视频世界的物理合理性？🔸主要贡献：论文提出Physis-Lang框架，将结构化的物理语言作为贯穿数据筛选、模型训练和推理的统一表示，通过智能体自我进化机制显著提升了视频生成的物理真实性。📝重点思路🔸构建物理语言表示：不再仅描述视觉内容，而是用自然语言显式表达物理实体、因果关系、 governing principles（支配原理）、时间演化和最终效果，形成包含基础描述、物理推理和负面约束的结构化文本。🔸智能体自我进化循环：建立“生成-评估-修正”闭环。利用物理感知评论家（Critic）和新建的PhysCapBench基准，从精确率（声称是否有视觉支持）和召回率（是否覆盖关键物理过程两个维度评估字幕。智能体根据错误反馈迭代优化提示词指令，直至性能饱和，从而获得最佳的物理描述指南。🔸语言引导的数据引擎：诊断预训练模型在特定物理领域（如流体、碰撞）的缺陷，利用物理标签在大型视频库中进行文本匹配检索，针对性地补充缺失物理过程的多样化视频数据，并用进化后的指南重新标注，实现定向数据增强。🔸高效部署与推理：将昂贵的商业大模型能力蒸馏到轻量级的PhysThinker模型中用于大规模标注和推理时的提示词扩展。在推理阶段，利用场景特定的物理负面提示词抑制不合理的生成结果。🔎分析总结🔸物理合理性显著提升：在四个主流物理视频基准测试中，基于Wan和Cosmos骨干网络的Physis-Lang模型均取得一致且显著的改进。特别是基于开源Cosmos3-