视觉语言模型在点击式谜题游戏中是否展现出类人的逻辑问题解决能力？

视觉语言（动作）模型日益应用于交互环境，但现有基准常忽视点击式谜题游戏所需的复杂物理推理。本文提出 VLATIM 基准，基于经典物理游戏《不可思议的机器 2》，旨在评估类人逻辑问题解决能力。该基准填补了高层逻辑推理与需精确鼠标操作的连续动作空间之间的空白，包含五个渐进部分，涵盖从基础视觉定位到完整谜题求解的能力。结果显示推理与执行存在显著差距：大型专有模型虽具优越规划能力，但在精确视觉定位上表现不佳，尚未展现类人问题解决能力。