开源模型PhysVLM通过分析游戏视频中的物理故障，提升了AI对物理常识的理解，准确率超越GPT-4o达3.4%。该模型在PhysGame和Video-MME等多个基准测试中表现优异，展现了其在视频理解领域的先进性能。

研究表明，语言模型与人类在语言处理上存在差异，特别是在情感理解、比喻处理和物理常识方面。通过细化调整语言模型，其在这些任务中的表现更接近人脑反应。尽管语言模型与人脑激活有结构相似性，但仍需更多研究以深入理解两者的关系。

该文汇总多项研究，探讨视觉-语言模型的物理与常识知识。研究发现模型在颜色、大小、空间等方面与人类差距明显，多模态模型优于单模态但存在报告偏差，数据比模型规模更关键。研究还提出Winoground、概念理解基准等评估方法，并探索视觉知识迁移与视觉推理诊断。