VeriPhy：用于世界模型评估与改进的智能体物理推理

VeriPhy是一个可审计的物理验证系统，用于评估和改进视频生成世界模型。它使用文本规划器将提示编译为类型化物理义务和执行计划，冻结低层专家执行测量，并生成带来源的证据记录。在1,500个剪辑语料库和304条缺陷记录的核心测试中，VeriPhy正确识别228条，优于对比评估器的164条，且决策可追溯。

此前视频生成评估主要依赖整体质量分数，无法指出具体违规或失败时刻。VeriPhy引入类型化物理义务和可审计证据链，使每个判断可追溯，提高了物理可靠性评估的准确性和透明度，推动了视频生成模型验证标准的进步。

VeriPhy的机制是：规划器将提示拆分为类型化物理义务，执行计划预先验证；执行时仅允许观测调用冻结的低层专家（如分割、追踪、测量等），每个动作生成带来源的证据记录，通过类型化解析器映射为支持、矛盾或未知三值状态，从而确保每个结论都可追溯到具体证据。

对于视频生成和评估产品，VeriPhy提供可审计的验证模块，能自动定位生成视频中的物理缺陷，减少人工审查成本，提升质量反馈的精准度，便于开发者优化模型。但其依赖多类专家模型，可能增加系统复杂性和计算开销。

• 集成VeriPhy作为视频生成模型的自动质检层，输出带标签的失败时刻和违反义务类型，辅助开发者定位问题。
• 基于VeriPhy的标注数据（1,500个剪辑）构建公开基准，供行业对比评估视频物理一致性。
• 开发VeriPhy的轻量版或API，让第三方视频工具快速获得可审计的物理校验能力。
• 结合人类反馈，利用VeriPhy的证据链解释模型错误，提升用户对生成内容的信任。

• VeriPhy在不同视频生成模型（如扩散、自回归）上的泛化能力如何？
• 其计算开销是否适合实时或大规模生产环境？
• 物理义务的类型化定义是否覆盖所有常见物理场景？
• 与人类评估的一致性具体数值是多少？