研究与基准测试/2026-09-30/10 分钟看见强、判断弱：PhysVista 用三段闭环测视觉语言模型的物理智能字节参与的 PhysVista 用看见、推理、评估闭环评 VLM 的物理智能。2060 题来自真实与生成视频。感知加权最高 68.59%，尺度最高只有 43.33%；Doubao 时序 91.33%，预测只有 35.56%。
研究与基准测试/2026-08-06/10 分钟看得见局部、拼不起全局：字节 GST-Bench 测视频里的全局空间22 个 VLM 的零样本最高分是 Gemini-3-Pro 的 42.68，人类在每个子任务 20 个样本上是 79.08。目标在查询视角里不可见。Qwen3-VL-8B 经 GST-Train 微调后到 53.52，仍补不上人类。
