“多模态是不是不吃香了？”——这是过去俩月被反复顶到热门的问题。结论先放这儿：不是凉了，是换主线了。光这一周，它就连变三次。微博
先说坏消息：无所不能的模型，物理不及格。
只看发布会，2026年的多模态模型似乎已经无所不能：能看图、读表格、啃几小时的视频，还能用自然语言剪片子。但知乎本周热议的一组物理评测把大家拽回地面——一套叫PhysVista的测试体系，几乎把市面上顶尖的视觉语言模型拉了个遍，结果在"理解物理世界"这门课上普遍不及格。评测圈自己也在承认：MMMU这类老榜单对最新旗舰模型的区分度已经明显下降，"一个多模态总分"本来就不成立，空间感知、幻觉测试这些单项才是真实分界线。知乎知乎
道理也不复杂：语言模型读的是人类用语言压缩过的"世界经验"，它擅长谈论世界，不擅长运行世界。小红书
好消息：AI开始直接造世界了。
10月28日，谷歌DeepMind发布Genie 4——不是生成一段视频，而是生成一个你能走进去的世界：输入一句话实时生成可探索环境，继续输入指令场景实时变化，还原生支持音频。生成速度做到了每秒24帧实时生成、单帧延迟低至40毫秒、还能保持长达2分钟的连贯记忆。你能用键盘控制导航和镜头，用文字实时改天气、加角色、换剧情。这轮预览目前只面向少量受信任的测试者开放。当然它也露馅：物体恒存性和长期一致性还是会在复杂事件里出问题。知乎知乎36氪36氪知乎
另一边，李飞飞团队发布多模态世界模型Atlas，她给世界模型的定义很直接：语言赋予机器谈论世界的方式，世界模型将成为机器理解、想象、推理，并与世界交互的方式。演示也直观：喂进几段不同机位拍的视频，它能补出没拍过的视角。更大的背景是9月底AMD宣布以约82亿美元全股票收购Atlas背后的World Labs——资本已经用真金白银投票。知乎知乎知乎
开源侧同样没闲着。
本周，Mistral开源了1T参数MoE多模态模型权重，Large 4（Le Chonk）登陆HuggingFace，总参数约1万亿、激活仅49B、上下文1M token。就算你的显卡跑不动，开源权重也意味着企业选型和折腾党的选项又多了，评测、微调、私有化部署都绕不开它。知乎知乎
所以，这跟你有什么关系？
担心"多模态凉了"的同学可以先把心放回肚子里：它不是退潮，是从"给语言模型装眼睛"升级成了"通往物理世界的入口"，世界模型成了新一轮主战场，追这条线的人还谈不上晚。对普通用户，使用建议反而更实在：今天让AI看图判断空间关系、生成"东西不能穿模"的视频，它依然会翻车，别指望百分百对；下次看发布会也别只看总分——"交互与物理一致性"这条新赛道，才是接下来的分水岭。
AI已经学会谈论世界，想真正住进世界，还差一节物理课。
