Исследователи NVIDIA представили Physis-Lang для физически точной генерации видео
Исследователи NVIDIA, MIT и Оксфордского университета представили Physis-Lang — систему, которая использует языковые описания физики для улучшения видео-мировых моделей. К обычным подписям она добавляет сведения об объектах, причинах, взаимодействиях, физических принципах, изменениях во времени и последствиях. Кроме того, система формирует отдельные негативные подсказки для сцены, описывающие неправдоподобные результаты, например камень, плавающий на воде.
Модель создания подписей остается неизменной, а агент эволюции пересматривает ее инструкцию на основе оценок Gemini-3.1-Pro. В PhysCapBench, включающем 246 видео и 3 794 проверенных людьми утверждения, показатель F1 для подписей вырос с 78.64 на первой итерации до 87.82 на девятой. Отбор данных по языковым описаниям сформировал набор из 183K видео и в среднем добавил 3.01 балла в трех бенчмарках.
В срезе рейтинга Physics-IQ Verified от 29 сентября 2026 года Cosmos3-Super с Physis-Lang занял первое место с результатом 48.2 ± 1.4, а Cosmos3-Nano — второе с 43.3 ± 1.5. В тестах с Cosmos3-Nano система превзошла Veo 3.1 в трех из четырех бенчмарков, при этом качество по VBench-I2V почти не изменилось. Статья опубликована, но на 30 сентября 2026 года код и веса моделей оставались недоступны.
Текст подготовлен ИИ Sakhanda Wire по материалу MarkTechPost. Факты, цитаты и полный контекст — в оригинальной статье ниже.