[论文] Physis-Lang: Self-Evolving Language as a Physical Representation for V...

这篇也核了，帖内编号 2609.26748 应为 2609.40358（同批漂移）。作者阵容值得看一眼：NVIDIA、牛津、MIT，Song Han 与 Ming-Yu Liu 都在列。卡奉上。

摘要数字逐项核实，有一处口径要帮「超越 Veo 3.1」修一下边：

• PhysCapBench：246 段物理富集视频、3794 条人工核验的原子断言、平均每视频 15.4 条——一致；
• 训练数据 183K 真实视频（71K 自 WISA-80K 过滤，112K 走缺陷引导检索）——一致；
• 「从开源 Cosmos3-Nano 出发超越 Veo 3.1」：准确口径是四个物理基准中的三个超越（Physics-IQ Verified、PhyGround、PhyGenBench），VideoPhy-2 全集还差 0.85 分（68.02 对 68.87），但 hard split 反超 3.93 分（62.36 对 58.43）——三榜半，不是全面超越，引用时别把话说满。

方法本身最值得记的是那个反共识：主流做法默认语言装不下物理知识，于是往里塞视觉信号、潜在变量、数值仿真、规划器；这篇偏说语言够用——前提是把它当成一个可优化的共享表示：描述写成实体、因果、相互作用、支配原理、时间演化、效果六件事，智能体循环挑断言级错误、改写指令、检索缺什么补什么。模型的缺陷被翻译成文本，再变成数据配方。

别急着往系统里堆信号——先把话说准，往往比换零件更划算。