当前多模态大模型在视觉生成上日益逼真，但其行为是否遵循真实物理规律？北京大学推出PhysicsMind评测基准，通过真实实验与物理仿真双环境，首次系统性评估模型对基础力学定律的理解与预测能力，直击AI“看起来对”与“物理上对”的核心差异。
智能速览
北京大学推出PhysicsMind评测基准，专测AI物理理解能力。
基准覆盖三大经典力学定律：质心、杠杆与惯性。
首创真实实验与物理仿真双环境，评估模型泛化能力。
评测包含问答与视频生成，检验AI理解与预测的物理正确性。
系统性评测31个主流模型，揭示了其在物理推理上的共性短板。
精华内容
AI生成的内容看似正确，但其背后是否遵循了物理规律？PhysicsMind基准直指这一核心，通过严谨的设计，对模型进行了一场物理知识的“大考”。
评测之困
现有的多模态大模型评测基准存在明显局限。许多基准偏向于模板化的问答，或在评估视频生成时仅关注画面的视觉相似度，即“像不像”。这种方式无法有效判断模型生成的内容是否遵守了基础的物理定律，导致对模型真实物理世界理解能力的误判。
基准新解
为解决上述问题，PhysicsMind提出了一个统一的评测框架。它在“视觉问答（VQA）”和“视频生成”两大任务上对模型进行考核。更重要的是，评测在真实桌面实验和2D物理引擎仿真两种环境中进行，同一物理设置会在两个环境中复现，以此严格评估模型从仿真到真实世界的泛化能力。
力学三定律
评测内容聚焦于物理学中最基础、最核心的三大定律：质心、杠杆平衡和牛顿第一定律（惯性）。这三者分别对应了几何、因果与动力学三种不同类型的物理认知。为此，基准提出了具体的物理感知指标，如通过质心掩码IoU与中心偏差来评估位置预测，用杠杆最终状态正确率来评估因果推理，以及用轨迹、速度和加速度的一致性来评估动力学预测。
模型共性与短板
研究团队利用PhysicsMind对24个主流VLM和7个视频生成模型进行了大规模评测。结果揭示了一个普遍存在的失败模式：模型倾向于生成在视觉上看似合理，但在物理上却不合规的运动。这表明当前模型对物理世界的理解仍停留在表面关联，并未真正掌握底层的物理规律。
PhysicsMind基准为评估AI的物理世界模型设立了新标准，推动评估体系从“感知美学”走向“物理正确性”。它揭示了当前技术的根本短板，为未来开发真正具备物理常识的AI指明了方向。随着AI与物理世界的交互愈发深入，这样的评测体系将是构建可靠智能系统的关键基石。
