人类在推理物理世界时会随着问题进展灵活组合感知、语言、几何和仿真等不同形式的推理。当前 AI 大多采用专门化模型，难以在同一任务中自由组合并共同适应。
$\Psi$-0.6 提出了一种统一的视觉‑语言世界模型，使用“思维流”（streams of thought）在共享的 token 接口中交替生成和解释图像、文本以及显式的几何和运动表示。模型能够在同一次推理过程中自行决定使用哪种中间表示，并通过生成的 token 与后续模块衔接。
在多视角空间推理基准上，$\Psi$-0.6 零样本超越了所有公开权重的领先模型，加入几何中间表示后进一步提升。模型还能进行反事实仿真，例如生成假想场景并判断移动物体是否会阻塞通道。
通过强化学习从任务反馈中 jointly 优化中间表示的选择、生成和使用，$\Psi$-0.6 在视觉问答上取得显著提升，并且这些提升能够迁移到未见的基准上。
$\Psi$-0.6 展示了一条通向自适应物理推理的路径：不仅预测物理世界的演化，还主动选择最合适的推理表征。点评