IXThinker·2025-11-17 13:00

DeepPHY基準揭示視覺模型物理推理短板

一個系統性評估多模態大模型交互式物理推理能力的綜合基準近日發表，透過六個具挑戰性的物理模擬環境檢驗頂尖模型，發現它們在把物理知識轉化為精確可控操作時仍有明顯短板，論文獲AAAI 2026收錄。

為何需要新基準

基於視覺語言模型的智能體近年在遊戲、圖形介面操作與具身任務中進展迅速，但現有評測或偏重靜態問答，或物理模型過度簡化，難以量度真實的物理推理能力，團隊因此構建了更貼近動態交互的測試平台。