本研究探讨了视觉语言模型在理解虚拟物体方面的不足，测试了AI系统的场景理解能力，发现其在处理虚拟对象时表现不佳，揭示了多模态输入处理的局限性。

本研究提出了PhysTwin框架，通过结合物理知识与多阶段优化，从稀疏动态视频中重建高保真的虚拟物体副本，提升了重构与仿真效果，适用于机器人运动规划和内容创作等领域。