视觉语言模型距离构建现实世界还有多远？一个物理生成推理基准

本文指出当前视觉语言模型（VLM）评估过于侧重感知真实性，忽视了构建实物所需的严格结构与程序约束。为此，作者提出了 DreamHouse 基准，旨在评估“物理生成推理”能力，即合成同时满足几何、结构、可建造性及规范约束的工件。该基准基于住宅木框架结构领域，包含逾 2.6 万个经工程标准验证的结构，并支持迭代代理交互以评估规划、结构推理及自我修正能力。实验表明现有模型在此方面存在显著差距，确立了物理有效性作为多模态智能的关键评估维度。