VeriPhy: 世界モデルの評価と改良のためのエージェント的物理推論

要旨

生成ビデオにおける視覚的流暢さは物理的信頼性を意味するものではなく、単一のスカラー品質スコアだけでは、クリップがどの義務に違反しているのか、あるいはどの時点で失敗するのかを示すことはできない。我々はVeriPhyを提示する。これは監査可能な物理検証システムであり、テキストのみのプランナーが、フレームが観測される前に、プロンプトを型付き物理的義務と静的検証済み実行プランにコンパイルする。実行中、観測は、凍結された低レベルエキスパート（例：セグメンテーションとトラッキング、計数、結果として得られるトラックに対する11種類の型付き物理測定、深度、OCR、音声イベント検出）への宣言済み呼び出しのみをゲートし、そのスコープを制限する。各アクションは、来歴を伴う証拠レコードを返し、そのペイロードは、利用可能な場合、型付き測定値または明示的にタグ付けされた学習状態のいずれかである。型付きリゾルバと固定合成は、利用可能なレコードを、完全な来歴を伴う三値状態（支持、矛盾、未知であり、それぞれ妥当、不合理、棄権として提示される）にマッピングするため、すべての判定はそれを生成した証拠に遡って追跡可能である。評価は、プロンプト参照、空間、時間における実際の生成失敗を特定する、人間が注釈を付けた欠陥レコードからなる1,500クリップのコーパスに基づく。304件のそのようなレコードを含む149クリップのコアセットでは、VeriPhyは228件を説明する。同じクリップと同じ主張を与えられた公開済みの質問分解評価器は164件である。再現率だけでは、同じバックボーンをモノリシックにプロンプトする手法（222件に達する）と区別できない。両者を分けるのは、各決定が自身の証拠レコードと来歴を保持し、トレースを判定単位で監査可能にし、批評者の判定を生成に書き戻すためのインターフェースとして使用できる点にある。

English

Visual fluency in generated video does not imply physical reliability, and a scalar quality score alone is incapable of indicating the obligation a clip violates or the moment it fails. We present VeriPhy, an auditable physical-verification system in which a text-only planner compiles the prompt into typed physical obligations and a statically validated execution plan before any frame is observed. During execution, observations gate and scope only declared calls to frozen low-level experts (e.g., segmentation and tracking, counting, eleven typed physical measurements over the resulting tracks, depth, OCR, and audio-event detection). Each action returns a provenance-carrying evidence record whose payload, when usable, is either a typed measurement or an explicitly tagged learned state. Typed resolvers and fixed composition map usable records to a three-valued state (supported, contradicted, or unknown, surfaced as plausible, implausible, or abstain) with full provenance, so that every verdict is traceable to the evidence that produced it. We anchor evaluation in a 1,500-clip corpus of human-annotated flaw records that localize real generation failures in prompt reference, space, and time. On a 149-clip core carrying 304 such records, VeriPhy accounts for 228, against 164 for a published question-decomposition evaluator given the same clips and the same claims. Recall alone does not separate it from prompting the same backbone monolithically, which reaches 222; what separates them is that each decision retains its evidence record and provenance, making the traces auditable one verdict at a time and usable as the interface through which a critic verdict could be written back into generation.