一段视频里，球滚下斜坡又突然向上加速。AI能认出“球”和“斜坡”，不等于它知道哪里不对。PhysVista要测的正是这道差距：VLM（视觉语言模型——能同时看画面、读文字并作答的模型）究竟理解了物体如何运动，还是只会识别画面、套用熟悉说法。
它把评测做成“看见—推断—核验”的闭环：先识别物体状态，再判断时间顺序和因果关系，最后给整段动态的物理合理性打分、排序。一个值得注意的设计是，它不仅问“事情有没有发生”，还测尺度层面的差别，例如幅度、数量、位置或比例是否准确；数据同时覆盖真实视频与AI生成视频，后者看起来逼真，却可能出现穿透、重力异常或因果次序错乱。
作者称，多种VLM的实验暴露出物理推理和合理性判断上的明显不足，说明“看懂画面”与“理解物理”之间仍有缺口。不过，现有供稿未给出具体模型得分，因此暂时更适合把PhysVista看作一套更完整的体检框架，而非能力排名的定论。