新基准MMGR评估视频和图像模型推理能力，发现逻辑和长期规划弱
像Sora-2和Veo-3这样的视频模型看起来不可思议，但它们真的能推理吗？🤔
📣 介绍𝗠𝗠𝗚𝗥: 𝗠𝘂𝗹𝘁𝗶-𝗠𝗼𝗱𝗮𝗹 𝗚𝗲𝗻𝗲𝗿𝗮𝘁𝗶𝘃𝗲 𝗥𝗲𝗮𝘀𝗼𝗻𝗶𝗻𝗴，一个新基准，评估视频（Veo-3、Sora-2和Wan-2.2）和图像模型（Nano-banana/Pro、GPT-4o-image、Qwen-image）在5项核心能力：物理、逻辑、3D/2D空间和时间推理，跨越三个领域：抽象逻辑、具身导航和物理常识。
🥁 我们的发现？我们进行了广泛的80多页深度分析：虽然模型擅长视觉物理，但在抽象逻辑（大多数视频模型在ARC-AGI上<10%）和长期规划上惨败。是时候从“看起来真实”转向“行动真实”了。🧵👇
📣 介绍𝗠𝗠𝗚𝗥: 𝗠𝘂𝗹𝘁𝗶-𝗠𝗼𝗱𝗮𝗹 𝗚𝗲𝗻𝗲𝗿𝗮𝘁𝗶𝘃𝗲 𝗥𝗲𝗮𝘀𝗼𝗻𝗶𝗻𝗴，一个新基准，评估视频（Veo-3、Sora-2和Wan-2.2）和图像模型（Nano-banana/Pro、GPT-4o-image、Qwen-image）在5项核心能力：物理、逻辑、3D/2D空间和时间推理，跨越三个领域：抽象逻辑、具身导航和物理常识。
🥁 我们的发现？我们进行了广泛的80多页深度分析：虽然模型擅长视觉物理，但在抽象逻辑（大多数视频模型在ARC-AGI上<10%）和长期规划上惨败。是时候从“看起来真实”转向“行动真实”了。🧵👇