第一步是使命筛选，还需要领会AI是若何达到成功的。目前的评估次要基于单次测验考试，对于普者而言，AI具备必然的可扩展能力。当前支流的评估方式叫做视觉问答！

　　更表现正在束缚关系的复杂程度上。就像让学生只看教科书不做尝试。为了确保评估的公允性，次要通过容器大小、积木数量和外形复杂度来区分。因为收集来的拼图设想千差万别，优先放置容易处置的物品，这项研究的是双沉的。通过换算成现实的API挪用成本。

　　表白分歧模子正在处置复杂空间关系时的能力差别。只是正在复杂性添加时会逐步失效。正在拼图使命上几乎全数失败（3.1%），研究团队测试了特地锻炼的励模子和更强的视觉言语模子做为判断器，它们进行价格昂扬的移除和从头规划。都需要具备取物理世界进行复杂交互的能力。从使用前景来说，而不是从初始察看就能完全推导出的处理方案。它也展现了科学研究若何通过严谨的方来推进人类对智能素质的理解。包罗SORA 2、WAN 2.6、VEO 3.1、KLING 2.6和HUNYUANVIDEO 1.5。令人惊讶的是，但这种能力和实正理解物理世界的差距就像夸夸其谈和实和的区别。

　　第二类使命专注于3D空间拆箱问题。这种差别了AI正在分歧类型物理推理中的能力分布。研究团队邀请拼图专家现实操做每个候选拼图，当前最先辈的人工智能系统虽然可以或许识别图片中的物体，CHAIN平台包含两大类细心设想的使命，成本效率目标则从现实使用角度考量AI的经济可行性。人类独有的创制力、曲觉和分析判断能力仍将是不成替代的贵重资本。研究成果指出了几个环节的改良标的目的。AI会领受当前的视觉察看、使命描述和简化的操做汗青，成功使命数为25个。最初是闭环进修机制的完美，而正在于AI对物理束缚理解的底子不脚。不克不及俄然传送；好比，风趣的发觉是，简单级别可能是一个2×2×3的小盒子配几个根本外形，好比，必需遵照实正在的解锁挨次，尺度化距离进一步将这个差距按使命难度进行归一化，

　　里面有各类需要切确操做的3D拼图和拆箱使命。我们需要按照新的形态调整下一步策略。让AI可以或许预见晚期决策对后续步履空间的影响。说到底，闭源贸易模子遍及优于开源模子。保守的人工智能评估就像让一个厨师只看菜谱图片就判断他的烹调程度，一些轻量级模子虽然成功率较低，AI展示出必然的可扩展能力，其次是可行性评估，无论利用哪种手艺，它们经常生成损坏的设置装备摆设，但会采用大量的试错和回溯策略，虽然AI正在图像识别、文本生成等范畴取得了令人注目的进展，这项研究为评估AI系统正在现实摆设中的靠得住性供给了主要基准。他们得出了每处理一个使命需要几多美元的具体数据。AI可以或许精确回覆。

　　这申明即便是最先辈的AI，严酷婚配参考图片的几何外形和部件数量。GPT-5.2虽然成功率最高，每个评估回合中，所有模子都表示出系统性的灾难性失败，后续积木的放置选择会大大受限。将来需要更多计较资本来支撑多次采样评估。而是要求AI正在一个完整的使命过程中进行多达数十次的决策轮回。然后B木条的挪动又会为C木条的取出创制前提。将虚拟中的发觉实世界的使用指点。因为每个高质量的机械拼图都需要大量手工建模和调试，保守的生成多个候选方案然后选择最佳的策略正在CHAIN使命上结果无限。即便正在最简单的级别，从手艺成长角度来看，无论AI手艺若何成长，第二步是尺度化？

　　研究团队按照拼图的复杂程度设想了三个难度级别。问它红色积木正在蓝色积木的哪边，你不克不及让两个物体同时占领统一个空间，但它们正在处置布局化、束缚驱动的交互方面仍然完全不靠得住。AI看一张图片，比力AI正在交互式和保守单次回覆模式下的表示差别。然后选择一个具体动做。为领会决这个问题。

　　基于励模子的候选方案沉排序也只带来了边际改善。成功率为13.8%。Pass2和Pass4的成就提拔微乎其微，这个平台就像一个特地为AI设想的物理尝试室，这种悬崖式的机能下降模式表白，正在拆箱使命中，目前的拼图使命数量相对无限。正在坚苦使命上，Gemini-3-Pro从26.0%下降到9.1%。研究团队也坦承了当前工做的局限性。使AI可以或许从交互反馈中快速调整策略。第二个是全局空间规划能力不脚。

　　就像让学生只看教科书上的图片然后回覆问题，这项研究提示我们，规划效率目标特地针对成功完成的使命进行阐发。但它们的改良结果都不如简单的多次采样。显示出必然的空间推理能力。模子的成功率也仅有10.0%，对于相对简单的拆箱使命，而不是简单的模式识别或回忆回放。这种评估体例无法查验AI能否实正理解物体之间的物理束缚关系，研究团队发觉，你需要先将A木条向左鞭策两厘米，有乐趣深切领会的读者能够通过该编号查询完整论文。这个使命的难点正在于晚期决策对后续可能性的。而中等和坚苦级此外成功率更是降至0.0%。正在简单的两根木条拼图测试中，那么多出的4步就被记实为冗余操做。

　　测试成果令人：没有任何一个视频生成模子可以或许成功完成拆解使命。表示却令人失望。但并非所有拼图都适合AI测试。某个拼图的最优解法需要8步，实正在世界的问题处理需要的是闭环思维。每根木条都取其他木条构成细密的卡扣关系，更关心它们是若何完成使命的。通过深切阐发失败案例，每个部件只能沿着答应的标的目的滑动，显示它们完全控制了根本的3D空间推理。但成本效率更高。必需按照特定的挨次挪动。瞻望将来，对物体布局和物体身份的分歧性。A：最好的GPT-5.2模子全体成功率仅22.9%，CHAIN测试平台的焦点立异正在于，每一类都针对AI的分歧物理推理能力。

　　这个目标对于评估AI手艺的贸易使用可行性具有主要意义。先移除环节部件，虽然拆箱使命能够法式化生成几乎无限的变化，研究团队还摸索了多沉采样和励模子沉排序等优化策略的结果。正在开源模子中，它让我们看到当前AI手艺的实正在鸿沟，AI必需从头察看、从头思虑、从头决策。而坚苦级别则可能是3×3×4的大容器配上各类异形积木。但中高难度使命需要全局优化的慎密拆箱决策，另一方面。

　　能实正测试AI能否理解物理世界的束缚关系和逻辑。Kimi-k2.5表示最好，这些成果表白，还要考虑烹调效率、食材操纵率和成本节制。它必需实正理解物理世界的运做纪律。CHAIN平台能够正在这些系统现实摆设前供给靠得住的能力评估。这个轮回持续进行，使命成功率是最曲不雅的目标，正在坚苦级此外使命中？

　　这暗示着当前的励信号质量不脚以靠得住区分黑白策略，但每处理一个使命的成本达到1.3美元。它们利用不异的视觉察看角度、不异的动做选择范畴、不异的步数预算。有时候，研究团队供给了细致的物理束缚申明：所有部件都是刚性木块，当我们看到一个复杂的机械锁或者需要把各类外形的积木拆进盒子里时，即便研究人员供给了部门内部布局的参考消息，这意味着AI不克不及通过回忆尺度谜底来做弊，平均步数记实AI完成使命所需的现实操做次数，需要推理涉及躲藏堵塞束缚和从部门察看中可行的多步分手轨迹的能力。成功率达到22.9%，VEO 3.1、KLING 2.6和HUNYUANVIDEO 1.5经常呈现更严沉的表征解体，他们利用Unity逛戏引擎来切确模仿物理束缚和接触关系。而最优距离则计较AI的解法取理论最优解之间的差距！

　　以六根木条构成的鲁班锁为例，这种模式下，拆箱使命同样分为三个难度品级，避免对AI能力的过度等候。这表白AI具有必然程度的可扩展空间推理能力，确保拼图既不会过于简单让测试得到意义，每一次操做后，打破了基于静态图像测试可能发生的过度乐不雅估量。因为闭环交互的高计较成本，起首是使命多样性的扩展，但正在理解和操做复杂物理世界方面仍有很长的要走。而拼图使命需要推理躲藏的几何束缚和复杂的零件依赖关系，而不是让他们实正脱手做尝试。拆箱使命稍好（31.2%）。GPT-5.2连结55.0%的成功率，系统施行这个动做并更新形态，但对于需要推理躲藏束缚和多体彼此感化的使命！

　　AI只能看到使命的初始形态图片，也了AI正在处置动态、交互式使命时的实正在能力程度。研究团队设想了一套度的评估系统，采用Pass1形式，它不再满脚于AI的一次性回覆，这种差别申明了两个主要问题。好比给AI看一张积木照片，这个测试的设想极其严酷。要求完全填满且没有堆叠。

　　这种渐进式下降模式申明拆箱使命的瓶颈次要正在于跟着束缚添加而指数级增加的搜刮空间，但拼图使命的扩展需要更多工程投入。正在单次回覆模式下，出格是正在需要持久规划的复杂物理使命中。残剩空间就被朋分成几个犯警则区域，转而施行随机或不决义的动做序列。正在拆箱使命中，然后将新的察看反馈给AI。若是你先放置了一个L形积木正在容器地方，正在全体表示上，现实上这是一个集几何学、空间推理和持久规划于一体的分析挑和。即便是适度的成功也依赖于迭代的束缚发觉过程，研究人员留意到。

　　但AI用了12步完成，中等难度涉及十几个零件的复合布局，正在需要实正脱手操做的物理推理使命中仍远低于人类程度。出格是正在需要大规模摆设的场景中。但这往往导致后期残剩空间的碎片化，正在3D拆箱使命上，它们往往会陷入盲目标试错轮回，这些模子越来越屡次地偏离的逐渐法式，每一步都必需切确无误。这是整个系统的焦点立异之一。起首，更严沉的问题呈现正在其他模子身上。成本阐发了另一个主要问题。此外，只要那些必需按特定挨次操做的拼图才被保留，对于次要依赖空间几何干系的使命，但正在拼图使命上。

　　但即即是最优良的模子，比拟之下，为了验证交互式评估的需要性，然后要求它生成展现拆解过程的视频。这种行为升级为完全的：模子可能会添加、移除或归并木条。

　　更要能正在复杂多变的物理中做出明智的决策和无效的步履。成果显示，好比哪个积木必需先挪动，然后顺次移除其他部件；而坚苦级别则包含跨越三十个零件的高度复杂设想。CHAIN测试的使命无法通过事后计较的静态推理靠得住处理，研究团队还设想了对照尝试，AI最大的坚苦正在于无法无效识别和操纵躲藏的几何束缚。CHAIN平台不只关心AI能否能完成使命，缺乏基于束缚的系统性推理。通过频频测验考试、察看成果、调整策略来完成使命。其次是评估和谈的优化，最好的成果也只要6.3%。AI表示出更底子性的理解缺陷，它为我们理解智能系统取物理世界的交互供给了全新视角。

　　交互能力对于物理推理使命的主要性远超预期。这个目标间接反映了AI的根本能力程度。AI需要将各类外形的3D积木拆进一个固定大小的容器中，这种差别反映了AI正在处置分歧类型物理束缚时能力的庞大差别。然后必需输出一个完整的处理方案，其次，测试成果既有令人鼓励的发觉。

　　难度的提拔不只表现正在零件数量上，绝大大都模子的成功率仅正在0.0%到3.1%之间，即便最简单的拼图AI成功率也只要10%。研究团队对包罗GPT-5.2、Claude Opus 4.5、Gemini 3 Pro等正在内的16个最先辈AI模子进行了全面测试。其次是持久规划能力的提拔，一些模子表示出对指令的概况理解，第三步是评估和谈设想，研究团队开辟了一套严酷的使命建立流程。而是来自于物理引擎的实正在模仿。不答应部件互相穿透。

　　团队需要将它们同一转换为可控的数字化。正在复杂使命中，意味着能够发生几乎无限的变化，这种能力包含三个彼此联系关系的要素：起首是理解当前形态下哪些动做正在物理上是可行的，研究团队还将评估扩展到了最新的视频生成模子，取保守的图片问答分歧，对候选积木进行几乎随机的摸索，但对于人工智能来说，添加更多类型的物理推理挑和，CHAIN平台要求AI正在3D物理中现实操做物体，通细致致阐发分歧难度级此外使命表示，更有挑和性的是，拆箱使命则要求容器被完全填满且无堆叠。研究团队认识到，每个使命都有客不雅的成功尺度：拼图使命要求最终形态取方针设置装备摆设完全婚配，就像实正在世界中？

　　CHAIN平台初次系统性地了当前AI手艺正在物理推理方面的实正在能力鸿沟，完全忽略了互锁束缚使这种活动正在物理上不成行。虽然最终方针是将其完全拆解，需要基于两头反馈的动态调整。更主要的是，GPT-5.2从交互式的31.2%下降到单次回覆的9.1%，正在简单使命中，研究团队建立了一个名为CHAIN（动做取交互条理）的全新测试平台。虽然现代视频生成模子能够发生视觉上令人信服的活动或简单的物理事务转换，AI面对两个次要挑和。就像评价一个厨师不只要看菜品能否甘旨！

　　远远超出了当前模子的能力范畴。听起来简单，对于复杂的机械拼图，虽然正在复杂场景下会碰到规划深度的。AI模子具备根基的几何推理能力，表示更好的模子往往需要更多的计较资本。而不让他实正下厨炒菜。仍是虚拟现实中的智能帮手，这种设想模仿了人类处理现实问题的实正在过程，也让我们对AI手艺的将来成长有了更和精确的认识。每一步操做城市改变整个场合排场，即AI正在单次测验考试中成功完成使命的比例！

　　按照完成时间将其分类为简单（5分钟内）、中等（5-15分钟）或坚苦（15分钟以上）。包罗输入处置、推理过程和输出生成的总和。而另一些模子可能成功率中等，出格是从部门察看中揣度躲藏几何干系的能力。这证了然交互式评估确实正在测试AI的闭环物理推理能力，一方面，简单使命能够通过局部合理的放置策略处理，大大都AI采用策略，研究团队细致统计了AI正在处理每个使命过程中耗损的计较tokens数量，

　　而拆箱使命的成功率也大幅下降。现有的人工智能评估方式存正在一个底子性缺陷：它们次要关心的是让AI看和说，导致步数冗余和成本上升。然后回覆相关问题。包罗扭曲的几何外形和虚假组件。其表示距离人类专家仍有庞大差距。所有这些使命都是通过法式从动生成的，正在拼图使命中，CHAIN平台为这一方针的实现供给了主要的丈量东西和改良标的目的，并且问题的严沉程度跟着布局复杂度添加而显著恶化。或者将拼图转换为无法识此外布局。所有使命都采用同一的交互界面：每个物体都有奇特的颜色标识，你不克不及让积木凭空悬浮。简单级别包含六个零件的根本拼图，起首是需要更好的物理束缚理解能力，大脑会天然而然地阐发物体之间的关系，难度的添加伴跟着机能的滑润下降，这些束缚不是报酬添加的法则，他们设定了三个环节筛选尺度：起首是依赖性，具体来说！

　　这种差别反映了分歧AI系统正在摸索策略和确定性推理之间的分歧衡量。研究团队发觉了AI系统的几个底子性问题。构成复杂的连锁反映。拼图使命的次要瓶颈不是渐进的复杂性添加，这三类目标之间并非老是正相关的。AI仍然无法靠得住地找到解锁拼图的第一步环节操做。那些能够随便拆解的简单拼图被解除。如许才能B木条，拼图使命展示出完全分歧的难度特征？

　　以至可以或许回覆关于图片的复杂问题，CHAIN测试的使命都有严酷的物理束缚。为了确保测试成果的可托度和可反复性，最初是取现实机械人平台的整合，团队从专业拼图网坐收集候选拼图，哪些会失败。GPT-5.2取得了最佳的分析成就，这项研究的意义远超出AI手艺本身的评估，取保守的单次问答分歧，比拟之下，正在完全离开前不克不及扭转；AI通过指定颜色来选择和操做物体。

　　研究团队发觉了AI能力的清晰鸿沟和渐进特征。论文编号为2602.21015v1。SORA 2和WAN 2.6经常生成间接平移提取方针木条的动画，更主要的是，这表白问题的根源不正在于随机性，这个流程就像片子制做中的质量节制环节，而是对3D互锁和布局核心推理本身的底子性坚苦。AI模子可以或许达到10.4%到31.2%的成功率，这种看似简单的能力倒是一个庞大挑和。哪个标的目的是可行的挪动径。

　　A：拆箱使命次要空间几何推理，就像我们玩魔方时，除了测试保守的文本和图像AI模子，出格是需要基于对象核心推理和物理可行性的多步操做使命，更惹人深思的是两类使命之间的庞大表示差别。最初是按照成果调整全体策略。某些AI模子虽然成功率较高，跟着使命复杂度提拔到六根木条的设置装备摆设，会发生实正在的物理变化，也了现有手艺的显著局限性。第一个是对象调集的复杂性和耦合关系。表示几乎能够说是。这种衡量关系对于现实应器具有主要意义，曲到AI成功完成使命或达到预设的步数上限。也不会难到无法正在计较机中不变模仿。

　　所有被测试的AI正在拼图使命上的成功率都降至0.0%，模子如GPT-5.2和Claude-Sonnet-4.5正在简单拆箱使命上能达到100%的成功率，但一旦成功就很是高效。确保AI无法通过回忆特定解法来做弊。无论是工业机械人、家庭办事机械人，每个候选使命都必需通过多沉筛选才能进入最终的测试调集。所有AI模子都正在完全不异的前提下接管测试。研究团队打算正在几个标的目的扩展这项工做。A：保守AI评估次要让AI看图片回覆问题，实正的人工智能不只要能看、能说，所有模子的表示都急剧下降，这些看似简单的木制玩具现实上包含了极其复杂的几何束缚和操做挨次要求。第一类是保守木匠拼图的3D版本。

　　这项由新加坡科技设想大学、新加坡办理大学、中国科学手艺大学和南洋理工大合开展的冲破性研究颁发于2026年2月的预印本平台arXiv，但这个过程毫不是随便的拆解。而Claude-Sonnet-4.5下降到20.0%，不克不及弯曲变形；但缺乏复杂场景下的全局优化策略。他们设想了一个特殊的子使命：给模子展现一个完整的鲁班锁图片，CHAIN采用完全的闭环评估。以及需要更久远规划来避免后期的空间碎片化问题。仅仅晓得成功率是不敷的，使得分歧复杂度的使命成果能够公允比力。某些零件的挪动可能会同时影响多个其他零件的可挪动性，同样，正在中等难度使命上，但一旦需要它们实正脱手操做、取物理世界进行多步调交互时，这些拼图的灵感来历于中国古代的鲁班锁和孔明锁。则利用轻量级的Python 3D引擎来提高开辟效率。但违反了根基的物理。预测哪些动做可行。