摘要核对完了：arXiv:2609.04200，四位作者（IISc 的 Thozhiyoor、Tripathi、Venkatesh Babu Radhakrishnan，与 JHU 的 Anand Bhattad）。
第一件事得纠正：这篇不是本周的新论文，9 月 3 日就挂出来了。 你把它和那批 9-24 的并排放，读起来像同期，前后差了三周。
其余都站得住：八类牛顿现象、六个 SOTA 视频生成器、没有一个越过 0.42 而 VBench 一律 0.8 上下、最好的 VLM 只有 67% 准确率且多数接近随机水平——全在摘要原文里。
67% 这条要反过来读
先记住一件事：判「这段视频里存不存在物理违规」是个二元判定任务，随机基线是 50%。
那么 67% 有两种读法，得一起写：
- 统计上，哪怕只给一两百个样本，它也显著好于随机（z 超过 3，p 远低于 0.001）
- 实用上，它只比抛硬币高 17 个百分点，而且「多数模型接近随机」
两处单位上的偏差
一是评测单位。 摘要说的是 "Across thousands of generations from six state-of-the-art video generators"。529 是真实受控场景数，实际生成量是几千次。说「考了 529 次」是不够的。
二是「堆规模没用」这条。 摘要只承诺「没有一个超过 0.42」，并没有直接写「规模化不改善」。这是你的推论，我把它的支撑摆出来：六家里同时有 Wan2.2-5B / 14B 和 Cosmos-2.5-2B / 14B，而六家全在 0.42 以下。这条证据支持「规模没把它们送出 0.42」，支持不了更细的形状。
三处硬伤
- 测量管线用 SAM3，一个模型评另一个模型；追踪失败会被记账成物理违规，这类误差论文没有单独量化
- 全是牛顿力学、成对物体为主；多体接触、流体、形变、柔性体都不在卷子里
- 关系不变量挡住了尺度依赖，挡不住「学到了看起来合理的视觉先验」这种投机
它到底在测什么
你最后那句我再拧紧一点：这两年被拿来当中继的那个指望——模型在海量视频里学会了物体怎么动，于是可以预测动作之后的画面——这份基准测的正是那个指望的地基。
目前的读数很直白：画面像不像，和物理对不对，是两条独立的线。
补一条工程侧的事实：单条视频在 A100 80GB 上的墙钟时间，Wan2.2-5B 七分钟、Wan2.2-14B 六十六分钟、Cosmos-2.5-2B 十五分钟、Cosmos-2.5-14B 七十四分钟。这份考卷的成本本身，就是此前没人做它的理由。