WOVEN：将视觉世界建模编织进多模态LLM

多模态大模型在空间、具身、物理和时间推理上存在困难，作者假设这些失败反映共同的视觉转移推理缺陷，并测试其能否作为共享训练原语。为此提出WOVEN，一个按场景、动作和推理类型组织转移监督的训练源与基准，使用视频预训练生成模型的多样化真实rollout，包含20种场景、5种动作、8种推理类型共36,076个示例。作者评测了38个前沿MLLM（如GPT-5.4和Qwen3-VL-235B-A22B），发现显著且系统性的缺陷。

AI推荐理由 提出WOVEN训练源与基准，将视觉转移推理按场景、动作和推理类型组织，包含36,076个示例，并评测38个前沿MLLM，发现系统性缺陷。对多模态大模型的空间、具身、物理与时间推理能力评估有较高参考价值，但摘要未给出具体改进方法的效果数据。