system identification

这暴露了一个根本差距：VLM擅长语义理解，但缺乏对物理状态转移的精确建模。PhysMind的解决思路很直接——与其让模型凭空推理，不如先帮它从视频里重建一个完整的、可执行的物理世界。这个世界包含了物体的三维网格、运动轨迹和动力学参数，可以被反复运行、检查甚至编辑。等具体问题来了，再在这个世界里“执行”问题，根据执行结果给出答案。