物理推理的解耦物理建模和执行

物理推理需要构建底层物理系统的一致模型，而不是仅仅依赖于符号或基于公式的操作。尽管大语言模型在解决数学和编码问题方面表现出了很强的能力，但他们仍然难以解决物理问题，因为这些问题将物理建模过程与数学计算纠缠在一起。人类通过在执行计算之前首先构建系统的表示来研究物理学。受此启发，我们引入了一个统一的框架，该框架提取显式编码物理建模过程的中间表示，并采用两阶段 后训练 策略，其中有监督的 微调 建立结构化建模，并且基于评估准则的反馈的强化学习提高了建模过程的质量。对多个多模态物理基准的实验表明，我们的方法通常可以提高不同模型和数据集的物理推理性能。在 PhysReason、PhyX 和 SeePhys 中，物理建模的性能平均优于 GRPO 约 3%。表明显式物理建模是改进小型 VLM 物理推理的有效策略。