视频物理推理需要推断直接观测之外的隐式物理属性与动态规律。我们提出 Asking the World（ATW）：一个通用智能体，通过世界建模与世界探查两个自适应阶段，构建并探索与任务相关的可执行世界。世界建模从视频中校准世界，世界探查则通过查询、模拟与干预获取与问题相关的证据；ATW 根据场景与问题自主决定如何建模和探查。我们开发了 PolyWorld Engine：一个基于 Warp 的轻量、高度可编程的多物理模拟器，支持刚体、软体、布料、绳索、流体及其耦合交互，并通过基于交叉熵方法（CEM）的系统辨识恢复与任务相关的动态规律。以 Gemini-3-Flash 为基础视觉语言模型，ATW 在 CLEVRER、ContPhy 和三个真实场景上的准确率分别达到 80.82%、70.56% 和 71.67%，分别超过 GPT-5.5 达 13.58、3.53 和 28.33 个百分点。

可靠的视频物理推理需要理解物体如何运动、交互并响应干预。现有视觉语言模型往往难以准确理解这些动态过程，也难以对未来及反事实结果进行可靠推理。我们提出 PhysMind：一个无需训练的智能体框架，为每段视频构建一个可复用且与问题无关的可执行世界。PhysMind 通过物体分割、网格重建和六自由度位姿跟踪恢复时间一致的动态场景，并在无需展开逐时间步模拟器的情况下，拟合解析的连续时间动力学及隐式物理参数。面对具体问题时，它会检查、延续或编辑该世界，并依据得到的轨迹与交互作答。与使用相同视觉语言模型的直接思维链推理相比，PhysMind 在 CLEVRER 和 Physion++ 上的准确率分别提升 38.23 和 8.08 个百分点；在反事实问题上，其表现超过评测中最强的视觉语言模型基线 GPT-5.5 达 19.25 个百分点。