PhysVista 用“看—推理—评估”闭环测 16 个 VLM：感知尚可，物理推理与可信度打分明显掉队

PhysVista 把物理智能评测组织成“看—推理—评估”的闭环，联合评测物理状态感知、物理动力学推理和物理可信度评估三个阶段。 论文指出既有基准多只覆盖闭环中的孤立阶段：PhysBench 偏感知层，多数物理推理基准只覆盖有限任务且主要停留在事件级，PAI-Bench 覆盖感知与推理但缺少最后的评估环节。PhysVista 把三者放在同一框架内，并区分事件级推理与尺度级推理。 论文以表 1 的任务类型对照说明覆盖差异，并给出各阶段子任务定义与数据构建流程；附录列出各任务样本量，如 Spatial 200、Localization 200、Camera 200、Scale 60、Uncertainty 180、Order 150、Mechanism 192、Violation 224、Prediction 135、Counterfactual 119、Critique 100、Score 200、Comparison 100。

基准同时纳入真实世界视频与 AI 生成视频，并据此发现模型在生成内容上的系统性泛化差距。 论文指出早期基准多为仿真环境，近期工作开始引入真实视频，但对 AI 生成内容的物理评测“largely unexplored”。PhysVista 用 WISA-80K 的真实视频与 VideoPhy-2 的生成视频构建任务，并在评估阶段把真实视频统一赋为最高可信度分 5。 论文报告在多数任务上真实视频准确率高于生成视频，其中 Physical Uncertainty Awareness 与 Physical Dynamics Prediction 的差距明显扩大；例外是 Quantitative Scale Estimation，生成视频上略高于真实视频，作者给出的可能解释是生成视频的几何布局更干净、物体配置更受控。

在 16 个 VLM 上的评测显示，感知、推理、评估三阶段之间存在能力排名不一致的“认知鸿沟”。 论文不是只报告单一总分，而是通过跨阶段排名变化说明强感知不等于强因果推理、强机制推理不等于能校准可信度。 论文举例称 GPT-5.2 与 Kimi K2.5 在 State Perception 上分列第三、第四，但在 Dynamics Reasoning 上相对排名大幅下降；Gemini 3.1 Pro 与 Doubao Seed 2.0 Pro 在 Physical Dynamics Reasoning 上分列第三、第四，但在 Physical Plausibility Assessment 上表现下降。表 2、表 3 给出各模型分项与平均准确率，例如 GPT-6 Sol 感知平均 68.59%、推理平均 62.68%，Claude Opus 5.5 推理平均 67.89%。

可信度评估任务暴露出“分数塌缩”与配对比较中的过度自信两类行为模式。 论文把评估阶段拆成单视频 1–5 分打分与视频对排序，并分析打分分布与不同配对类型的难度差异，而不只给出一个准确率数字。 论文报告部分模型（如 Qwen3-VL-8B、Kimi K2.5）把大量预测集中在最高分档，另一些模型（如 Gemini 3.1 Pro、Grok 4）把默认分移向最低档；具备真实打分能力的模型在生成视频与真实视频之间呈现分布分离。配对比较中，真实 vs 生成最容易，生成 vs 生成明显更难，真实 vs 真实准确率低，反映模型难以识别“等价”情形。

该基准面向需要判断动态场景物理一致性的研究者与模型开发者，尤其是要评估生成视频物理真实性的场景。它把评测组织为感知、推理、评估三阶段，并区分事件级与尺度级推理，因此适合用来定位模型在闭环中具体哪一环薄弱，而不是只给出一个总分。真实视频与生成视频并列的设置，使结果可直接用于比较模型在两类数据源上的表现差异。

论文报告的是特定基准与特定模型集合上的结果，模型版本与访问时间在参考文献中标注为 2026 年，读者需注意评测结论与具体模型版本绑定。分数塌缩等现象被描述为模型相关，其成因被归为对特定分数 token 的先验差异，这一解释仍是开放问题。生成视频上 Quantitative Scale Estimation 反而略好，作者给出的是可能解释而非定论。此外，正文提到更详细的基准统计在附录，若只读正文可能看不到完整的数据分布细节。