MMGR：多模态生成推理

视频基础模型生成视觉上逼真且在时间上连贯的内容，但其作为世界模拟器的可靠性取决于是否捕捉到物理、逻辑和空间约束。现有指标如 Frechet Video Distance (FVD) 强调感知质量，忽略推理失败，包括违反因果性、物理和全局一致性。我们引入 MMGR（Multi-Modal Generative Reasoning Evaluation and Benchmark），这是一种基于五种推理能力的原则性评估框架：物理推理、逻辑推理、3D 空间推理、2D 空间推理和时间推理。MMGR 在三个领域评估生成推理：抽象推理（ARC-AGI、数独）、具身导航（真实 3D 导航与定位）和物理常识（体育与复合交互）。MMGR 应用细粒度指标，需要在视频和图像生成上实现整体正确性。我们对领先视频模型（Veo-3、Sora-2、Wan-2.2）和图像模型（Nano-banana、Nano-banana Pro、GPT-4o-image、Qwen-image）进行基准测试，揭示了这些模型在不同领域之间存在的显著性能差距。模型在物理常识任务上表现中等，但在抽象推理（ARC-AGI 上准确率不足 10%）和具身环境中长期空间规划方面表现较差。我们的分析突显了当前模型的关键局限性，包括对感知数据过度依赖、弱全局状态一致性，以及奖励视觉可信度而非因果正确性的目标。MMGR 提供了一个统一的诊断基准，通向面向推理的生成式世界模型之路。