NVIDIA wraz z badaczami z MIT i Uniwersytetu Oksfordu zaprezentowała Physis-Lang - framework oparty na języku naturalnym, który ma rozwiązać problem niewłaściwej fizyki w modelach wideo. System traktuje opis fizyczny jako optymalizowaną reprezentację, która kieruje zarówno przygotowaniem danych treningowych, jak i samym procesem generowania wideo.
Problém polega na tym, że tradycyjne opisy wideo mówią tylko co się dzieje, a nie dlaczego czy jak. Sformułowanie masło rozpuszcza się przy podwyższonej temperaturze nic nie mówi o przenosku ciepła czy grawitacji. Physis-Lang dodaje do każdego napisu pole physics_reasoning, które szczegółowo wyjaśnia byty w scenie, przyczyny, interakcje, obowiązujące zasady fizyki, ewolucję czasową i efekty. System generuje też negatywne podpowiedzi opisujące nieprawdopodobne scenariusze - takie jak kamień pływający na wodzie - które pomagają modelowi unikać fizycznych absurdów.
Na ogólnodostępnym rankingu Physics-IQ Verified z 29 września 2026 roku Physis-Lang uruchomiony na wariancie Cosmos3-Super zajął pierwsze miejsce z wynikiem 48.2 ± 1.4, wyprzedzając inne rozwiązania. Wariant Cosmos3-Nano zajął drugie miejsce z rezultatem 43.3 ± 1.5. To oznacza znaczący postęp w budowaniu modeli wideo, które generują fizycznie wiarygodne sceny - problem, który od lat nękał twórców world modelów.