Görsel-Dil Modellerinin Temel Dünya Modelleme Yeteneği Sınavdan GeçemediVision-Language Models Failed the Core World Modeling Test

660 deneyle 15 güncel görsel-dil modelinin hareket ve mekansal algılamada neredeyse rastgele doğruluk gösterdiği, insan seviyesindeki dünya modellemesinden büyük bir boşluk olduğu ortaya konuldu.Through 660 experiments, it was revealed that fifteen contemporary vision-language models exhibited near-random accuracy in motion and spatial perception, indicating a significant gap from human-level world modeling.