MiniMax-H3能否理解物理世界？一套面向全模态模型的新评测

2026年9月18日阅读约 3 分钟

导语

全模态模型的能力边界，不能只用画面清晰度、声音自然度或文本一致性来衡量。更关键的问题是：当每种输入都只提供一部分信息时，模型能否把分散的线索拼起来，判断正在发生什么，并预测下一步可能出现的变化？围绕这一问题，研究者为MiniMax-H3设计了一套面向物理世界推理的评测框架。

与许多视频生成或世界模型测试不同，这项工作刻意避免让提示词直接描述目标视频。测试要求模型处理信息不完整、模态之间互相补充的场景，主要包括四类任务：

这些设置的共同点是，模型不能依赖某一个“万能模态”直接找到答案，而必须完成跨模态对齐，并从表面信号中推断隐藏的事件状态。

在517个评测实例中，MiniMax-H3的整体成功率为41.97%。分项结果并不均衡：视频决策推理的成功率最高，为56.00%；音频消歧推理最低，为27.40%。这说明模型已经能够在部分视频场景中利用时间信息进行判断，但当声音承担关键的区分作用时，跨模态整合仍不够稳定。

需要注意的是，41.97%并不能简单等同于模型的“世界理解能力分数”。它更像是在一组专门构造、强调信息互补的任务中的表现。评测规模为517个实例，且研究重点是提出新的测试范式，因此结果适合用来观察能力结构和短板，不宜直接与所有视频模型基准横向比较。

这项工作的价值，在于把全模态模型的评价从“能否生成多种内容”推进到“能否利用多种证据进行推理”。对于未来的世界模型、具身智能和多媒体代理而言，真正重要的不是单纯看见或听见，而是理解不同信号之间的因果关联，并据此做出合理预测。

同时，研究也提示，模态数量增加不会自动带来更强推理能力。音频与视觉之间的时间同步、语义对齐和不确定性处理，可能仍是决定性能的核心环节。作者表示，相关测试集及基于大语言模型的自动评测流程正在准备发布，后续开放情况将影响这一方向的可复现性与比较效率。