尽管视觉语言模型（VLMs）展现出强大的感知能力与令人印象深刻的视觉推理能力，但在复杂动态环境中仍难以关注细节并进行精确的动作规划，导致性能表现欠佳。现实世界中的任务通常需要复杂的交互行为、高级的空间推理能力、长期规划以及持续的策略优化，往往还要求模型理解目标场景中的物理规律。然而，在真实场景中评估这些能力通常成本过高。为弥合这一差距，我们提出了DeepPHY——一种新型基准测试框架，旨在通过一系列具有挑战性的模拟环境，系统性地评估VLMs对基本物理原理的理解与推理能力。DeepPHY整合了多个难度等级各异的物理推理环境，并引入了细粒度的评估指标。我们的评估结果显示，即使是最先进的VLMs，也难以将描述性的物理知识转化为精确且具有预测性的控制行为。