视觉语言模型无法推理物理变换

理解物理变换是动态环境推理的基础。尽管视觉语言模型（VLM）在具身应用中展现出潜力，但其是否真正理解物理变换尚不明确。本文引入 ConservationBench 基准，通过成对的守恒与非守恒场景，评估模型对物理量不变性的理解。在 112 个 VLM 上进行的 23,040 次测试显示，模型表现系统性失败，准确率接近随机猜测。控制实验表明，模型虽存在倾向于不变性的文本先验，但加入视觉内容后表现反而更差。结果表明，当前 VLM 无法在动态场景中维持物理属性的变换不变性表征。