NVIDIA Physis-Lang décrit la physique avec des mots et prend la première place de Physics-IQ Verified

NVIDIA a annoncé Physis-Lang, une approche de génération vidéo dans laquelle le langage naturel porte les « connaissances sur le monde ». Selon l'entreprise, le système a pris la première place du classement Physics-IQ Verified, l'un des rares tests qui évaluent les modèles vidéo sur leur crédibilité physique plutôt que sur la beauté de l'image. L'exemple de l'annonce est presque banal : on donne au modèle la phrase « le beurre fond sous l'effet de la chaleur » et l'on regarde ce qui apparaît à l'écran.

Nous ne disposons pas encore de données complètes. Dans la partie accessible de l'annonce, il n'y a ni taille du modèle, ni scores précis, ni tableau comparatif. Nous passons ci-dessous en revue l'idée, le contexte et les points à vérifier.

Pourquoi la physique reste un point faible de la vidéo générée

Les modèles vidéo actuels rendent bien les textures, la lumière et les mouvements de caméra. Mais dès qu'on leur demande de montrer une fonte, une collision ou un liquide qu'on verse, les artefacts classiques apparaissent : des objets se traversent, le beurre disparaît sans laisser de flaque, des objets changent de forme sans raison. Le modèle a appris à quoi ressemblent les images, mais pas les liens de causalité qui les relient.

C'est précisément ce que mesure Physics-IQ. Ce benchmark est né pour répondre à une question : les modèles vidéo génératifs comprennent-ils les principes physiques ? Les premiers résultats étaient modestes : le réalisme visuel et la justesse physique ne présentaient presque aucune corrélation. La mention Verified dans le nom du classement désigne une version vérifiée du jeu de test, mais l'annonce ne détaille pas ses règles exactes.

Ce que propose Physis-Lang

L'idée tient dans le titre : le langage comme représentation du modèle du monde. D'ordinaire, la physique est encodée de façon implicite, dans l'espace latent, et reste inaccessible à l'humain. Ici, le processus est d'abord formulé en mots : ce qui chauffe, quelle phase change, comment s'écoule la matière fondue, où le liquide s'accumule. Cette « notation physique » textuelle pilote ensuite la génération.

Cette solution présente plusieurs avantages pratiques :

• la description peut être lue, vérifiée et corrigée à la main ;
• les modèles de langage contiennent déjà un vaste fonds de connaissances en physique, qu'on peut exploiter comme source ;
• les erreurs sont plus faciles à localiser : soit le plan textuel est faux, soit le modèle vidéo l'a mal exécuté.

Il existe aussi un risque évident. Le langage est imprécis, alors que la physique est quantitative. La phrase « le beurre fond » ne fixe ni la vitesse ni la forme de la flaque : le modèle vidéo doit donc de toute façon combler le reste.

Ce que l'on sait et ce que l'on ignore

• Développeur : NVIDIA, dans le prolongement de sa lignée de modèles du monde, aux côtés de la plateforme Cosmos.
• Nom : Physis-Lang.
• Résultat revendiqué : première place à Physics-IQ Verified.
• Non divulgué dans la partie accessible : scores, écart avec les concurrents, taille du modèle, ouverture des poids et licence.

Une première place sur un seul benchmark témoigne d'une capacité précise sur un jeu de scènes précis. Pour généraliser, il faudra des évaluations indépendantes et des tests sur des scènes extérieures au benchmark.

Ce qu'il faut en retenir en pratique

Pour ceux qui bâtissent des produits sur la génération vidéo, des simulateurs pour la robotique à la publicité et aux vidéos pédagogiques, l'intérêt principal est ailleurs : le prompt devient de plus en plus une spécification physique. Dès maintenant, il est judicieux de tester ses propres modèles avec un schéma en deux étapes : demander d'abord à un modèle de langage de décrire le processus par étapes, puis fournir cette description au générateur. Si NVIDIA publie le code ou les poids, la première chose à faire sera de comparer ses résultats à ceux d'un prompt ordinaire sur des scènes de transitions de phase, de liquides et de contacts.

Ce sont justement là que les modèles vidéo se trompent le plus souvent.

En attendant un rapport détaillé et des mesures indépendantes, il est raisonnable de considérer Physis-Lang comme une piste prometteuse, et non comme une solution démontrée au problème de la physique dans la vidéo.