MiniMax-H3能否推理物理世界: 一项全模态生成模型评估

摘要

该工作评估全模态生成模型MiniMax-H3能否推理物理世界。作者围绕物理世界推理的四个互补维度构建评测框架，并设计四类需要跨模态整合的任务：隐式提示配合多帧、音频-图像、前缀视频以及音频-视频输入。每种模态只提供事件的部分证据，模型须联合互补语义线索，推断潜在事件状态与未来动态。在517个评测实例中，MiniMax-H3总体成功率为41.97%；基于视频的决策推理最高，为56.00%；基于音频的消歧推理最弱，仅27.40%。结果提示，有效多模态整合仍是充分利用多样输入模态优势的关键。