视频推理框架 VBVR 开源：含百万视频片段，攻克时空与物理推理

VBVR（Very Big Video Reasoning）是一个专门用来训练和评测视频模型「空间与物理推理能力」的开源框架。说白了，它不是教模型怎么把画面画得更精细，而是加持在视频生成模型之上，给它们补上思考和理解物理规律的脑子。

目前的视频生成工具大多卷在画面逼真度上，一碰上连续性、因果关系或者空间互动就容易露出马脚。VBVR 就是为了解决视频缺乏深层逻辑的问题而设计的。

它能做什么

加持了 VBVR 后，视频模型能根据人类指令完成一系列复杂的视觉推理任务。

比如在第一帧画面中识别文字，并按照要求圈出特定的汉字；或者根据前序规律推断并补全几何形状序列；它甚至能像游戏引擎一样，指挥画面中的代理（Agent）在屏幕上自主绕行、收集圆点。

在物理模拟方面，它能处理 3D 物体旋转和复杂的流体平衡模拟。据测试，VBVR 在视觉谜题上的测试得分达到了 68.5%，在这些空间物理逻辑上，其表现明显压过了 Sora 2 和 V3.1。

百万级数据与可验证评测

这套框架之所以能跑通，核心在于解决了视频推理领域长期缺少大规模训练数据的瓶颈。

整个 VBVR 数据集涵盖了 200 项系统分类的推理任务，包含了超过 100 万个视频片段，规模比现有的同类数据集大了整整三个数量级。

配合数据集一起推出的还有 VBVR-Bench 评测基准。和常见的用大模型打分不同，它引入了基于规则且符合人类直觉的评分器，让每一次推理诊断都可解释、可复现。

更关键的是，研究团队在规模化扩展测试中发现，当数据量和参数推上去后，模型开始出现向从未见过的推理任务泛化的涌现迹象。

开放程度与怎么获取

目前 VBVR 已经在 Hugging Face 上完全开放，没有任何保留。

开源内容包括完整的 310 GB 推理训练数据集、VBVR-Bench 评测工具包以及训练好的相关模型。

如果你手头正在训练或微调自己的视频模型，可以直接前往 Hugging Face 下载对应的数据集和评测脚本。

为什么重要

对于从事具身智能、世界模型和视频生成的开发者来说，VBVR 值得尽早拉下来跑一遍。它把原本只能凭感觉微调的物理规律，变成了有 310 GB 标注数据和标准化打分器的工程问题。

我们认为，这也是视频生成赛道的一个分水岭。光靠堆算力生成漂亮画面的红利快见顶了，接下来拼的是谁能在视频里真正还原连续的现实物理规律。VBVR 这次把百万级数据完全开源，很可能会倒逼行业把注意力从「画质卷」转向真正的「时空理解」。