visual-dynamics

BilliardPhys-Bench 是一个新的基准测试，通过合成台球场景来评估多模态大语言模型的物理推理能力，要求预测碰撞和最终球的位置。论文发现，当前模型在较长的模拟中表现不佳，并表现出一种“静态偏差”——在不确定时预测无交互。