Physis-Lang：自演化物理语言作为视频世界模型的物理表示 Physis-Lang: Self-Evolving Language as a Physical Representation for Video World Model

完整流程分七步。第一步，构建 PhysCapBench：从 Physics-IQ 与 YouTube 收集 246 段物理丰富视频，AI 标注者把显著物理过程分解为原子断言（Cause/Law/Effect 三类），人工审核纠错补漏，得到 3,794 条断言、平均每视频 15.4 条。第二步，构建 physics-aware critic：把候选 caption 分解为原子 claim，逐条对照视频判 correct/incorrect/uncertain，得 $Precision = N_{correct}/(N_{correct}+N_{incorrect})$；再检查 caption 是否覆盖每条人工断言的完整物理含义，得 $Recall = N_{pass}/N_{ground\text{-}truth}$；综合报告 $F_1 = 2 \cdot Precision \cdot Recall/(Precision+Recall)$ 与失败原因，评测由 Gemini-3-Flash 在温度 0.1、每批不超过 30 条 claim 下完成。第三步，智能体演化环：在 20 个开发视频（共 273 条人工断言）上迭代 $P_t \to \mathcal{C}_t \to R_t \to P_{t+1}$，captioner 为 GPT-5.5、critic 为 Gemini-3.1-Pro，每轮在 PhysCapBench 验证，F1 从 78.64 升至第 9 轮 87.82 后饱和，选定最优指令 $P^*$。第四步，数据引擎：GPT-5.5 诊断代理将模型失败归类（刚体、碰撞、流体等）形成缺陷画像，与视频库 caption 派生的 physics tags 做文本匹配，取回 112K 视频，与 71K 筛选后的 WISA-80K 组成 183K 训练集，全部用 $P^*$ 重标为 base caption + physics_reasoning。第五步，LoRA 微调：只加在注意力 QKVO 投影（Cosmos rank 16/scale 32；Wan rank 256/scale 512 且 patch embed 与输出层全量微调），学习率 $5\times10^{-4}$ 的 AdamW（$\beta_1{=}0.9, \beta_2{=}0.95$，梯度裁剪 0.1），Cosmos-Nano 用 16 GPU 训至 1,340 步，Wan 用 16 张 H100 训至 8,000 步。第六步，推理：PhysThinker-U 或 GPT 把短 prompt（可含首帧图）扩展成物理 prompt 并生成场景专属 physics_negative_prompt 作负条件；Wan 的 UMT5-XXL 512-token 限制用 192-token 重叠滑窗并对重叠区嵌入取平均解决。第七步，蒸馏：用 GPT 产物微调两个 Qwen3-VL-4B 得到 PhysThinker-C（视频转物理 caption，128 张 A100 训练）与 PhysThinker-U（prompt 扩展，32 张 A100），替代商业 API。

技术新颖性可从四个层面评估。概念层面：首次系统论证'结构化且自演化的语言'本身即可充当视频世界模型的物理表示，直接挑战了'语言不够、额外信号来凑'的领域共识，并用跨四个基准超越 Veo 3.1 的结果给出了有力证据。评测层面：PhysCapBench 把 caption 质量量化为原子断言级的 precision/recall/F1，为 prompt 演化提供了可停止、可比较的目标函数——以往基准只评生成视频，不评物理描述本身的质量，这一环是整个自演化闭环能够收敛的前提。系统层面：把 agentic self-evolution、语言引导检索、负向物理提示与 LoRA SFT 组装成各环节可独立消融的闭环，Table 7 的消融清晰拆出 zero-shot 提示、SFT、负向提示分别贡献 +1.66、+3.55/+3.75、+2.50/+4.16 分，证明各组件非冗余。工程层面：给出 Wan 512-token 文本编码器的滑窗扩展技巧，以及用两个 4B 模型替代商业 API 的蒸馏方案（成本从约 $24.12K 降到 $0.12K 甚至为 0），使方法能在全开源栈上以可接受精度损失复用。

独立分析的弱点及改进方向。第一，语言表示的数值精度上限：自然语言难以精确表达恢复系数、黏度、质量比等定量物理量，对需要精确动力学的场景（如弹道预测、流体细节）表达力有限，可探索在 physics_reasoning 中嵌入关键物理量的符号化数值字段，形成'语言+量'的混合表示。第二，负向提示的生成依赖 captioner 对失败模式的想象力，缺乏系统性枚举，容易漏掉罕见但关键的违背方式，可结合轻量物理仿真器离线生成反例库，按场景类型自动注入负向提示。第三，训练目标仍是普通 SFT，物理性没有被显式优化，模型只能被动模仿好 caption 对应的视频，可把 PhysCapBench 式断言校验改造成 reward model，用 DPO 或 RL 直接对物理合理性做偏好优化。第四，评测裁判单一化，正文未报告人工评测作为佐证，'GPT-5.5 判 GPT-5.5 写的 caption 训出来的视频'存在循环性风险，应补充双盲人评和官方评测器双轨结果。第五，缺陷画像来自当前骨干的失败案例，骨干更新后画像会漂移，数据引擎需要在线化维护，否则 112K 检索数据的针对性会随版本迭代衰减。

未来方向可分作者提出与自主延伸两类。作者在结论和实验中已铺垫的：把物理语言表示扩展到动作条件世界模型与机器人策略仿真（附录 D 已给出驾驶与机械臂的高质量 demo 但未量化评测）；通过 PhysThinker 的持续蒸馏降低部署成本。基于本文成果可自然延伸的：一是让自演化环在线化——模型部署后持续诊断新失败模式、增量检索数据、更新指令，形成终身学习式数据引擎；二是把语言物理表示与潜变量信号或可微仿真融合，专攻流体、软体大形变等数值敏感物理，弥补纯语言的精度短板；三是用物理断言评测构造 RL 奖励或偏好对，把 SFT 升级为物理感知的对齐训练；四是把 Physis-Lang 范式迁移到音频、3D 场景、交互式环境等其他模态的世界模型，检验'结构化语言当表示'的普适性；五是探索超越自然语言的物理描述形式，如程序化物理脚本与语言的混合，让表示既能被 LLM 处理又能被仿真器执行。

复现评估如下。数据侧：WISA-80K 公开可用，PhysCapBench（246 视频、3,794 条人工断言）附录 E 展示了样例并描述了构建协议，但 112K 检索视频依赖一个大规模视频库加 GPT-5.5 逐条打 physics tags，完全复现这部分的成本和工程量不小。模型侧：骨干 Wan2.1-14B、Cosmos3 家族、Qwen3-VL-4B 均开源，训练全是 LoRA（Cosmos rank 16、Wan rank 256），附录给出了详尽超参（学习率 $5\times10^{-4}$、AdamW 系数、CFG dropout 0.1、各家族的 GPU 数与迭代步数），Cosmos-Nano 需 16 GPU 两节点、Wan 需 16 张 H100、PhysThinker-C 需 128 张 A100——对产业界友好，对学术实验室偏高但 LoRA 方案显存门槛可控。流程侧：caption 演化环 9 轮迭代的 API 开销可观，商业全流程标注费约 $24.12K，蒸馏后降至约 $0.12K 或为 0。总体难度评为中高：截至 v1 版本正文未给出开源代码仓库链接，若代码不开放，复现演化环的提示词轨迹和 critic 协议需要较强工程经验；而若作者开源 PhysThinker 权重与重标数据集，推理侧复现会容易得多。