VisPhyWorld: Исследование физических рассуждений через код-ориентированную реконструкцию видео

VisPhyWorld: Probing Physical Reasoning via Code-Driven Video Reconstruction

February 9, 2026

Авторы: Jiarong Liang, Max Ku, Ka-Hei Hui, Ping Nie, Wenhu Chen

cs.AI

Аннотация

Оценка того, действительно ли мультимодальные большие языковые модели (MLLM) способны рассуждать о физической динамике, остается сложной задачей. Большинство существующих бенчмарков полагаются на протоколы, основанные на распознавании, такие как визуальный вопрос-ответ (VQA) и нарушение ожидания (VoE), которые часто могут быть решены без формулировки явной, проверяемой физической гипотезы. Мы предлагаем VisPhyWorld, основанную на исполнении структуру, которая оценивает физическое мышление, требуя от моделей генерации исполняемого кода для симулятора на основе визуальных наблюдений. Путем создания выполняемого кода выводимое представление мира становится непосредственно проверяемым, редактируемым и фальсифицируемым. Это отделяет физическое рассуждение от визуализации. Основываясь на этой структуре, мы представляем VisPhyBench, состоящий из 209 сцен для оценки, полученных из 108 физических шаблонов, и систематический протокол, который оценивает, насколько хорошо модели восстанавливают внешний вид и воспроизводят физически правдоподобное движение. Наша методика обеспечивает создание валидных восстановленных видео в 97.7% случаев на бенчмарке. Эксперименты показывают, что хотя современные MLLM демонстрируют глубокое семантическое понимание сцены, они испытывают трудности с точным выводом физических параметров и симуляцией последовательной физической динамики.

English

Evaluating whether Multimodal Large Language Models (MLLMs) genuinely reason about physical dynamics remains challenging. Most existing benchmarks rely on recognition-style protocols such as Visual Question Answering (VQA) and Violation of Expectation (VoE), which can often be answered without committing to an explicit, testable physical hypothesis. We propose VisPhyWorld, an execution-based framework that evaluates physical reasoning by requiring models to generate executable simulator code from visual observations. By producing runnable code, the inferred world representation is directly inspectable, editable, and falsifiable. This separates physical reasoning from rendering. Building on this framework, we introduce VisPhyBench, comprising 209 evaluation scenes derived from 108 physical templates and a systematic protocol that evaluates how well models reconstruct appearance and reproduce physically plausible motion. Our pipeline produces valid reconstructed videos in 97.7% on the benchmark. Experiments show that while state-of-the-art MLLMs achieve strong semantic scene understanding, they struggle to accurately infer physical parameters and to simulate consistent physical dynamics.