arXiv · 多模态、视频与世界模型· Shenxiang Zeng·· 3 天前精选AI 评分86
Asking the World 提出智能体世界建模与探测方法，提升视频物理推理
Asking the World: Generalist Physical Reasoning through Agentic World Modeling and Probing
AI 导读
Shenxiang Zeng 的论文提出 Asking the World（ATW），通过世界建模与世界探测两个自适应阶段，从视频构建并干预可执行的物理世界。基于 Gemini-3-Flash，ATW 在 CLEVRER 上达到 80.82% 问题级准确率，在 ContPhy 上达到 70.56%，并在三个真实场景中达到 71.67%。
推荐理由
论文将视频中的物理推理转化为可执行世界的建模与探测，并用多组基准展示了这种验证式流程相对直接 VLM 推理的提升。
来源：arXiv · 多模态、视频与世界模型 · arxiv.org