Los investigadores de NVIDIA presentan Physis-Lang: lenguaje físico autoevolutivo que eleva a Cosmos 3 más allá de Veo 3.1 en los puntos de referencia de física

Los modelos de mundos de vídeo pueden generar clips convincentes que aún rompen la física. La mantequilla se esparce como la pintura. Las bolas atraviesan las paredes. Un equipo de NVIDIA, el MIT y la Universidad de Oxford sostiene que la solución puede provenir del lenguaje mismo, no de señales visuales, latentes o numéricas adicionales.

Su marco, Physis-Lang, trata el lenguaje físico como una representación compartida y optimizable. El mismo texto impulsa la curación de datos, el entrenamiento de modelos y la inferencia. En la instantánea pública de la tabla de clasificación verificada por Physics-IQ con fecha del 29 de septiembre de 2026, Physis-Lang en Cosmos3-Super ocupa el primer lugar con 48,2 ± 1,4. La versión Cosmos3-Nano ocupa el segundo lugar con 43,3 ± 1,5.

¿Qué problema resuelve Physis-Lang?

Los subtítulos convencionales describen lo que sucede, no por qué. “La mantequilla se derrite a medida que aumenta la temperatura” no dice nada sobre la transferencia de calor o la gravedad. Physis-Lang agrega un campo de razonamiento físico a cada título base. Detalla entidades, causas, interacciones, principios rectores, evolución temporal y efectos.

La canalización también escribe un aviso_físico_negativo_específico de la escena. Este texto describe resultados probablemente inverosímiles, como una piedra flotando en el agua. Actúa como condicionamiento negativo en el momento de la inferencia.

¿Cómo funciona el bucle de subtítulos autoevolutivo?

El bucle mantiene congelado al subtitulador y solo desarrolla sus instrucciones. Un subtitulado GPT-5.5 escribe subtítulos para un conjunto de desarrollo fijo de 20 videos con 273 afirmaciones verificadas por humanos. Gemini-3.1-Pro actúa como un crítico consciente de la física. Un agente de evolución lee las puntuaciones y las fallas a nivel de reclamo y luego reescribe el mensaje.

El crítico puntúa 2 dimensiones:

Precisión: el título se divide en afirmaciones atómicas y cada afirmación se compara con el vídeo. Recuerde: cada afirmación física curada por humanos debe estar explícitamente declarada o implicada en el título.

Cada mensaje revisado se valida en PhysCapBench, un nuevo punto de referencia de 246 videos y 3794 afirmaciones verificadas por humanos. El título F1 aumentó de 78,64 en la iteración 1 a 87,82 en la iteración 9. El camino no fue sencillo. La iteración 2 hizo que los subtítulos fueran demasiado cautelosos y redujo F1 a 76,28. La iteración 9 requirió todos los pasos causales visibles y aumentó el muestreo de fotogramas de 2 fps a 4 fps.

¿Cómo funciona la curación de datos guiada por el lenguaje?

Un agente de diagnóstico GPT-5.5 asigna fallas de video generado a categorías físicas como movimiento de cuerpo rígido, colisión y dinámica de fluidos. Ese perfil de deficiencia se compara con etiquetas físicas en una gran galería de videos. La recuperación se centra en el contenido físico, no en la apariencia visual.

El conjunto de entrenamiento final contiene 183.000 vídeos: 71.000 filtrados de WISA-80.000 más 112.000 clips recuperados. La recuperación por sí sola añadió 3,01 puntos en promedio en 3 puntos de referencia. En VideoPhy-2, los procesos químicos y térmicos ganaron 8,00 puntos cada uno.