一只球滚到桌后，下一帧依然可以画得很逼真，但球的位置、速度甚至身份可能已经对不上。对视频世界模型——根据已有画面生成未来视频的模型——来说，这正是“看起来真实”和“演化可信”的差别。论文提出 Physical Registry，给模型留出一组专门记录场景变化的内部位置，避免外观和运动全挤在普通视频 Token（模型处理画面的数字单元）里。
具体说，作者在视频 Diffusion Transformer（通过反复去噪生成视频的 Transformer）中加入八个按时间排列的 registry slots：一个记录已观察画面，七个保存对后续时刻的预测。它们由冻结的 JEPA 编码器与预测器初始化，再与视频 Token 一起更新，并接受真实未来画面的表征监督。像是生成器一边作画，一边维护一本可读取的“物理登记簿”。
作者报告称，这套设计在所有测试的 Cosmos 与 WAN 主干上都提高了 Physics-IQ Verified 分数；搭载它的 Cosmos 3 Nano 16B 还超过了已公布的 Cosmos 3 Super 64B 图生视频成绩。登记状态也能在视频尚未完全生成时筛选候选未来。论文文本未完整披露上述提升的具体数值，因此这里更值得关注的是其设计原则：物理预测需要成为模型内部显式、持续更新的状态。