NVIDIA Physis-Lang describe la física con palabras y se sitúa primero en Physics-IQ Verified

NVIDIA ha anunciado Physis-Lang, un enfoque de generación de video en el que el lenguaje natural es el soporte del «conocimiento del mundo». Según la compañía, el sistema ocupó el primer puesto en el ranking Physics-IQ Verified, una de las pocas pruebas que evalúan los modelos de video por su verosimilitud física y no por la belleza del fotograma. El ejemplo de partida del anuncio es casi cotidiano: se le da al modelo la frase «la mantequilla se derrite al calentarse» y se observa qué aparece en pantalla.

Por ahora no disponemos de datos completos. En el fragmento disponible del anuncio no figuran ni el tamaño del modelo, ni las puntuaciones exactas, ni una tabla comparativa. A continuación se repasan la idea, el contexto y lo que conviene comprobar.

Por qué la física en el video sigue fallando

Los modelos de video actuales dibujan bien las texturas, la luz y el movimiento de cámara. Pero basta pedirles que muestren un derretimiento, una colisión o el trasvase de un líquido para que aparezcan los artefactos habituales: los objetos se atraviesan entre sí, la mantequilla desaparece sin dejar charco, los objetos cambian de forma sin causa alguna. El modelo ha aprendido qué aspecto tienen los fotogramas, pero no ha asimilado las relaciones causales entre ellos.

Eso es justo lo que mide Physics-IQ. El benchmark nació como respuesta a la pregunta de si los modelos generativos de video comprenden los principios físicos, y los primeros resultados fueron modestos: el realismo visual y la corrección física apenas guardaban correlación. La etiqueta Verified en el nombre del ranking apunta a una versión verificada del conjunto de pruebas, pero el anuncio no revela sus reglas exactas.

Qué propone Physis-Lang

La idea figura en el título del material: el lenguaje como representación del modelo del mundo. Lo habitual es que la física se codifique de forma implícita, en el espacio latente, y que las personas no puedan acceder a ella. Aquí el proceso se formula primero con palabras: qué se calienta, qué fase cambia, cómo fluye lo fundido, dónde se acumula el líquido. Después, ese «registro físico» textual guía la generación.

La solución tiene ventajas prácticas:

• la descripción se puede leer, comprobar y corregir a mano;
• los modelos de lenguaje ya contienen un gran volumen de conocimiento sobre física y pueden aprovecharse como fuente;
• los errores son más fáciles de localizar: o el plan textual es incorrecto, o el modelo de video lo ejecutó mal.

También hay un riesgo evidente. El lenguaje es impreciso y la física es cuantitativa. La frase «la mantequilla se derrite» no fija ni la velocidad ni la forma del charco, de modo que el modelo de video sigue teniendo que completar el resto.

Qué se sabe y qué no

• Desarrollador: NVIDIA, como continuación de su línea de modelos del mundo junto a la plataforma Cosmos.
• Nombre: Physis-Lang.
• Resultado declarado: primer puesto en Physics-IQ Verified.
• No se revela en el fragmento disponible: puntuaciones, ventaja sobre los competidores, tamaño del modelo, apertura de los pesos y licencia.

Un primer puesto en un solo benchmark habla de una capacidad concreta sobre un conjunto concreto de escenas. Para generalizar hacen falta ejecuciones independientes y pruebas con escenas ajenas al test.

Conclusión práctica

Para quienes construyen productos sobre generación de video, desde simuladores para robótica hasta publicidad y videos formativos, el interés principal está en otro punto: el prompt se convierte cada vez más en una especificación física. Ya desde ahora tiene sentido probar los propios modelos con un esquema de dos pasos: primero pedir a un modelo de lenguaje que describa el proceso por etapas y luego pasar esa descripción al generador. Si NVIDIA publica el código o los pesos, lo primero será comparar sus resultados con los de un prompt convencional en escenas con transiciones de fase, líquidos y contactos. Es ahí donde los modelos de video se equivocan con más frecuencia.

Hasta que haya un informe detallado y mediciones independientes, lo razonable es considerar Physis-Lang una línea prometedora y no una solución demostrada al problema de la física en el video.