Physical Reasoning Vision-Language Models Executable World Physics Simulation
摘要

可靠的视频物理推理需理解物体运动、交互及干预响应。现有视觉语言模型在此方面表现不佳。本文提出PhysMind,一种免训练的代理框架,为每个视频构建一个可复用的、与问题无关的可执行世界。该方法通过对象分割、网格重建和6D姿态追踪恢复时间一致的动力学场景,并拟合解析连续时间动力学及潜在物理参数,无需展开时间步长模拟器。针对给定问题,它检查、延续或编辑世界,并从生成的轨迹和交互中得出答案。实验显示,相比直接思维链推理,PhysMind在CLEVRER上准确率提升38.23分,在Physion++上提升8.08分;在反事实问题上超越最强基线GPT-5.5达19.25分。

AI 推荐理由

论文核心解决物理推理问题,通过构建可执行世界提升VLM在动态场景下的逻辑与因果推理能力。

研究机构
清华大学 香港大学
论文信息
作者 Chen Yang, Shenxiang Zeng, Haoyang Zhao, Zhouyuan Xu, Youquan He et al.
发布日期 2026-08-05
arXiv ID 2608.04575
相关性评分 9/10 (高度相关)