视觉语言模型无法推理物理变换

理解物理变换是动态环境中推理的基础。虽然视觉语言模型（VLM）在具体应用中显示出前景，但它们是否真正理解物理变换仍不清楚。我们引入了 ConservationBench 来评估守恒性——物理量在变换下是否保持不变。我们跨越 4 个属性以及配对的保守/非保守场景，在 112 个 VLM 中生成了 23,040 个问题。结果揭示了系统性失败：随着保护任务的改进以及控制的下降，性能仍然接近机会。对照实验显示，强大的文本先验有利于不变性，但模型在视觉内容方面表现较差。时间分辨率、提示或策划采样都无济于事。这些发现表明，当前的 VLM 无法在动态场景中保持物理属性的变换不变表示。