一段生成视频里，球穿过墙，画面却依然流畅。过去的评测可能只给它一个低分，却不告诉你究竟错在哪。VeriPhy想做的是一份“事故报告”：不仅判断视频是否可信，还指出违反了哪条物理规则、错误发生在哪段时间，以及判断依据是什么。
在看视频前，系统先把提示语拆成“物理义务”——例如物体不能凭空消失、轨迹应当连续——并检查评测步骤是否合法、所需数据类型是否匹配，类似程序运行前先做语法和类型检查。随后，分割、跟踪、计数等固定的低层视觉专家负责找物体、跨帧追踪并测量变化。每个结论都保留时间窗口、工具输出和来源记录，因此可以逐项复查。
VeriPhy最终给出“支持、矛盾或未知”三种判断；证据不足时会选择弃权，而不是硬猜。论文还整理了一个含1500段视频的人工标注缺陷语料库。不过，文中核心实验使用的是开发集，且召回分析只有单人标注；作者也承认，仅看召回率，尚不能证明这种代理式组织优于直接提示同一基础模型。它真正值得关注的地方，是让世界模型评测从一个分数变成一条可审计的证据链。