Physis-Lang: นักวิจัย NVIDIA เปิดตัวภาษาฟิสิกส์เชิงรูปภาพ

ปัญหาสำคัญของโมเดลสร้างวิดีโอโลกเสมือนในปัจจุบันคือ แม้จะได้ภาพเคลื่อนไหวที่ดูสมจริงแต่กลับผิดหลักฟิสิกส์พื้นฐาน เช่น การเคลื่อนที่ของวัตถุหรืออุณหภูมิที่เปลี่ยนแปลง นักวิจัยจาก NVIDIA จึงได้พัฒนา Physis-Lang ซึ่งเป็นเฟรมเวิร์กแบบเปิดที่ออกแบบมาเพื่อเสริมการให้เหตุผลทางฟิสิกส์ลงในคำอธิบายวิดีโอโดยตรง

แนวทางดั้งเดิมมักบรรยายเพียงแค่เหตุการณ์ที่เกิดขึ้น เช่น การระบุว่าเนยละลายเมื่ออุณหภูมิสูงขึ้น แต่ไม่ได้อธิบายถึงกลไกการถ่ายเทความร้อนหรือแรงโน้มถ่วง Physis-Lang จึงเข้ามาแก้ไขจุดนี้ด้วยการเพิ่มฟิลด์ physics_reasoning ลงไปในคำอธิบายพื้นฐาน เพื่อระบุเอนทิตี สาเหตุ ปฏิสัมพันธ์ หลักการควบคุม วิวัฒนาการตามเวลา และผลลัพธ์ที่เกิดขึ้นอย่างละเอียด

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

นอกจากนี้ ระบบยังสร้างฟิลด์ physics_negative_prompt สำหรับแต่ละฉากโดยเฉพาะ เพื่ออธิบายผลลัพธ์ที่ไม่น่าเกิดขึ้นได้ เช่น หินลอยน้ำได้ ซึ่งทำหน้าที่เป็นตัวควบคุมเชิงลบในขั้นตอนการอนุมาน (Inference) เพื่อลดข้อผิดพลาดที่อาจเกิดขึ้นระหว่างการสร้างวิดีโอ

"A video world model can make a convincing clip and still get the physics wrong. Our researchers just released Physis-Lang, an open self-evolving framework that adds physics reasoning to video captions."

NVIDIA Researchers

กระบวนการทำงานของระบบจะใช้โมเดล GPT-5.5 ทำหน้าที่เขียนคำอธิบายสำหรับชุดข้อมูลพัฒนาขนาด 20 วิดีโอที่มีการยืนยันจากมนุษย์ 273 รายการ โดยมี Gemini-3.1-Pro ทำหน้าที่เป็นตัววิจารณ์เชิงฟิสิกส์ และมีเอเจนต์วิวัฒนาการคอยอ่านคะแนนเพื่อเขียนคำสั่งใหม่ซ้ำจนกว่าจะได้ผลลัพธ์ที่แม่นยำที่สุดผ่านการทดสอบบนชุดข้อมูล PhysCapBench ที่มี 246 วิดีโอ