研究人员推出了PhysVista，一个旨在评估视觉语言模型（VLMs）物理智能的新基准。该基准通过一个整体的认知循环来评估VLMs，整合了感知、推理和物理判断，这与以往碎片化的方法不同。使用PhysVista对各种VLMs进行的实验揭示了它们在理解物理动力学和合理性方面存在显著局限性，表明视觉识别与真正的物理理解之间存在差距。 AI
影响 该基准可以推动开发更具物理基础和可靠性的视觉语言模型。
排序理由 该集群描述了一篇新的学术基准论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Vision-Language Models (VLMs) have shown strong multimodal reasoning capabilities, yet whether they truly capture the physical consistency underlying real-world dynamics remains unclear. Existing benchmark paradigms often suffer from fragmented evaluation, focusing on isolated co…
arXiv:2610.00559v1 Announce Type: new Abstract: Vision-Language Models (VLMs) have shown strong multimodal reasoning capabilities, yet whether they truly capture the physical consistency underlying real-world dynamics remains unclear. Existing benchmark paradigms often suffer fro…