问世界：通过 Agentic 世界建模和探测进行通才物理推理

从视频进行物理推理需要推断超出直接观察的潜在物理特性和动态。在没有显式建模和验证的情况下，直接 VLM 推理在复杂的物理任务上仍然不可靠，而预定义的工具管道依赖于特定于任务和领域的先验，这限制了跨材料、动力学和推理任务的泛化。我们引入了 Asking the World (ATW)，这是一种通才Agent，它通过两个自适应阶段构建和询问与任务相关的可执行世界：世界建模从视频中校准世界，而世界探测则对其进行查询、模拟和干预以获得与问题相关的证据。 ATW 并不规定任一阶段的操作，而是根据场景和问题确定如何建模和探测。我们开发了 PolyWorld Engine，这是一种轻量级且高度可编程的基于 Warp 的多物理场模拟器，用于构建和探测具有刚体、软体、布料、绳索、流体及其耦合相互作用的世界。基于 CEM 的系统识别可在世界建模期间恢复任务相关的动态。由此产生的世界成为以问题为导向的物理实验的活跃工作空间，而不是预定的下游工具。我们在 CLEVRER、ContPhy 和三个真实场景上评估 ATW。使用 Gemini-3-Flash 作为基础 VLM，ATW 在 CLEVRER 上的整体每问题准确率达到 80.82%，直接将 Gemini-3-Flash 提高了 46.50 分，将 GPT-5.5 提高了 13.58 分，将 PhysMind 提高了 8.27 分。在ContPhy上，其整体准确率达到70.56%，超过Gemini-3-Flash 28.10分，超过GPT-5.5 3.53分。在三个现实场景中，ATW 的准确率达到 71.67%，比 GPT-5.5 高出 28.33 分。这些结果将 Agentic 世界建模和探测确立为一种有效的、基于执行的通用物理推理方法。