机器人要想看懂物理世界，先得过视频推理这一关

上个月跟几个做具身的朋友聊，说现在机器人最大的问题不是腿脚不灵活，是眼睛看了白看。

一个视频丢进去，模型能认出来画面里有几个人、什么颜色，但问它这些人接下来要干什么、为什么会这样、五分钟前那个动作和现在这个结果之间是什么关系，基本靠蒙。

这话说完没多久，OmAI联汇把VLX-VR丢出来了。

GitHub：https://github.com/om-ai-lab

78.8分。在MINERVA这个由Google DeepMind和哥伦比亚大学联合打造的基准上，直接登顶。

此前，全球公开模型的最高成绩是70.7分。

Gemini 2.5 Pro Thinking在这个榜上66.2%，OpenAI o1 43.48分，GPT-4o 45.54分。

更关键的是，VLX-VR不是靠取巧刷出来的高分，MINERVA这个基准，跟市面上绝大多数VideoQA评测有个本质区别——

它不只考核最终答案对不对，它要求模型给出推理过程。

很多模型在选择题上能蒙对，但推理逻辑一塌糊涂，这在MINERVA上行不通。

在答对样本中，按内部定义的参考推理轨迹对照指标，VLX-VR输出跟人工参考轨迹的一致性达到96.2%，表明VLX-VR的思考轨迹高度接近人类。

答案对不算本事，怎么得出这个答案的才是本事。

01越长越强，这事反直觉但真实发生了

测试过不少视频模型，一个普遍规律是视频越长模型表现越拉胯。

三五分钟的短视频还能应付，拉到十五分钟以上，准确率直接跳水。

VLX-VR，它在三个时长区间的表现是这样的：5分钟以下76.70%，5到15分钟78.73%，15分钟以上80.92%。

时间越长，准确率越高。跨时长准确率方差只有2.97。

这个数据放在整个行业里看，几乎是反物理的。

作为对比，Gemini 2.5 Pro在15分钟以上视频中的准确率是57.97%，GPT-4.1是47.25%。

是很显著的数据优势。

我专门去看了MINERVA的论文，这个基准里每道题都配有手写的推理轨迹，题目设计就是冲着多步推理去的。

一个模型要在这种测试里拿到高分，光靠模式识别和语言偏见根本行不通。

它必须真正理解视频里发生了什么、为什么发生、接下来可能发生什么。

VLX-VR能逆势上扬，说明它的架构设计从一开始就不是冲着短视频优化去的。

传统视频模型把视频当图片序列处理，帧与帧之间的时序关系是靠后处理硬凑的。

这个差异在长视频场景里会被无限放大。短视频里信息密度高但时序短，模型靠单帧特征就能蒙个七七八八。

长视频考验的是信息筛选和因果链条的构建能力，这才是视频推理真正的难点。

02从文本推理到视频推理，中间隔着一道鸿沟

OpenAI o1在文本推理上有多强不用我多说，复杂数学题、代码生成、逻辑推理，o1都是顶尖水平。

但到了视频推理这个赛道，43.48分。GPT-4o稍微好一点，45.54分。

这不是OpenAI技术不行，是视频推理和文本推理压根不是一回事。

文本推理处理的是符号化的信息，语言本身已经被高度抽象和结构化。

模型要做的就是在这个符号系统里找规律、做推导。

视频推理面对的是原始视觉信号，没有现成的符号体系，模型得先搞明白画面里有什么、这些东西在干什么、时间线上发生了什么变化，然后才能谈得上推理。

更麻烦的是，视频里的因果关系往往是隐式的。

一个人拿起杯子，可能是因为渴了，可能是因为要喝水吃药，也可能只是把杯子挪个位置。文本里这些信息通常会被明确表述出来，视频里全靠模型自己判断。

VLX-VR能在MINERVA上拿到78.8分，说明它在从视觉信号到因果推理这条链路上打通了关键环节。

96.2%的推理逻辑一致性进一步印证了这一点——它不是靠运气蒙对的，是真的想明白了。

但我也得说句实话。92.5分的人类基准摆在那里，VLX-VR距离真正的人类水平还有不小的差距。

官方文档里也老老实实承认了，计数、状态变化、空间感知这些方面仍有优化空间。

这种坦诚在现在的AI行业里不多见，值得给个赞。

03物理AI的底层能力正在被重新定义

VLX-VR选在这个时间点发布，很有意思。

8月24日，工信部公示了国家人形机器人产业标准体系建设指南征求意见稿。

8月26日，工信部在国新办发布会上把具身智能列为未来产业方向。整个产业界对物理AI的关注度到了一个前所未有的高度。

但关注归关注，技术能不能跟上是另一回事。

机器人也好，智能终端也好，想要在真实世界里干活，前提是能看懂这个世界在发生什么。

不是看个大概，是精确理解时序先后、因果关系、动态变化。VLX-VR解决的就是这个前置问题。

OmAI联汇给VLX家族画了一条完整的能力链路：

Flow负责流式感知，让模型像人一样持续观察环境而不是被动等待提问；Seek负责精准定位，把坐标生成转化为区域检索；

VR负责深度推理，处理那些需要慢思考的复杂视频理解任务；

Go负责行动执行，直接把视觉理解转化成机器人可执行的轨迹。

这套分工的逻辑很清楚：快思考交给Flow和Go，慢思考交给VR。

一个物理世界的AI系统不可能所有任务都用同一套推理机制，有些事需要即时响应，有些事需要深度思考。

VLX把这两者拆开了，各自优化。

我试用了一下他们的体验平台（https://om-agent.cn/#/front），几个场景跑下来，Flow的实时响应确实快，VR在复杂推理场景下的表现也超出了我的预期。

当然体验是一回事，真正落地到机器人上还有很长的路要走。但这个方向是对的——让AI从看懂视频走向看懂物理世界。

04

视频推理这个赛道，之前的格局一直是Google和OpenAI领跑，其他人在后面追。

VLX-VR在MINERVA上的表现，至少在基准测试这个维度上，把格局打破了。

但我想说的是，榜单第一不重要，重要的是为什么能第一。

VLX-VR聚焦长视频的多步复杂推理，串联时间定位、证据提取与多步逻辑，实现了生成效果的显著进化。

这些技术选择的背后，是对物理AI这个方向的长期判断：AI终归要从屏幕走向真实世界，而真实世界的要求跟实验室里完全不一样。

时间是连续的，环境是动态的，终端算力是受限的。云端大模型再强，放到真实场景里也得面对这三个刚性约束。

VLX从一开始就是围绕这些约束设计的，不是把云端模型压缩后塞进终端。

物理AI规模化应用的拐点是不是真的来了，我现在不敢下定论。

但有一点是确定的：视频推理作为物理AI感知世界的基础能力，正在从学术问题变成工程问题，从实验室走向真实场景。

VLX-VR在这个节点上给出了一份超出预期的答卷，接下来就看它能不能在真实世界里跑起来了。

体验地址放这儿了：

https://om-agent.cn/#/front

朋友圈会发一些具体的案例和商业化日常～