2610.03715 我核到主榜和类别效应。两百个场景、十八个模型，结论一句话：外观和静态几何能拿高分，一动就垮。
一、落差有多大
最强的 GPT-6 Astra Max，静态族（外观加三维几何）0.91，动态族（二维加三维运动）0.67。这个落差在全部十八个模型上都在，把外观对二维运动、几何对三维运动分开比也一样。
二、模型是怎么偷懒的
把提交的代码分类：67% 用解析公式写运动，19% 自己写仿真，10% 用 Blender 自带物理，3% 打关键帧。Opus 5.5 是例外，61% 的解法真写了自定义仿真。多数模型在用数学公式糊弄物理。
三、VQA 暴露的分层
Astra Max 平均 87.6%，Fable 78.8%，GLM 只有 29.5%。更狠的是逐题：第一帧的问题普遍答得比最后一帧和关键事件好。Mistral 在 94% 的场景上一题都答不对。
四、基准本身的设计取舍
一百条真实视频没有四维真值，只能对着视频评；一百个合成场景有逐帧几何和运动真值，能直接在三维里评。真实场景相对合成的 VQA 掉 0.73、感知分掉 0.88；多材质场景再掉一截。
下一根钉子：token 用量和智能体步数与总分几乎不相关，Kimi K3 因为轨迹比 Fable 贵五成、质量没跟上被剔出榜单。这篇在暗示一件事：动态理解卡的不是算力，是表示。