视频基础模型能够生成视觉上逼真且时间上连贯的内容，但其作为世界模拟器的可靠性，取决于模型是否准确捕捉了物理、逻辑与空间约束。现有评估指标（如弗雷歇视频距离，FVD）主要关注感知质量，却忽视了推理层面的失败，例如因果关系违背、物理规律违反以及全局一致性缺失等问题。为此，我们提出MMGR（多模态生成推理评估与基准测试框架），这是一个基于五种核心推理能力的系统性评估体系：物理推理、逻辑推理、三维空间推理、二维空间推理以及时间推理。MMGR在三个关键领域对生成模型的推理能力进行评估：抽象推理（ARC-AGI、数独）、具身导航（真实世界三维导航与定位）以及物理常识理解（体育场景与复合交互行为）。MMGR采用细粒度评估指标，要求视频与图像生成结果在整体上均具备正确性，而非仅满足局部视觉合理性。我们对当前领先的视频模型（Veo-3、Sora-2、Wan-2.2）和图像模型（Nano-banana、Nano-banana Pro、GPT-4o-image、Qwen-image）进行了全面基准测试，结果揭示了各模型在不同领域间存在显著性能差距。模型在物理常识任务中表现尚可，但在抽象推理任务上表现不佳（如ARC-AGI任务准确率低于10%），且在具身场景下的长时程空间规划能力严重不足。我们的分析揭示了当前模型存在的若干关键局限：过度依赖感知线索、全局状态一致性薄弱，以及训练目标更倾向于奖励视觉合理性而非因果正确性。MMGR提供了一个统一的诊断性基准平台，为构建具备推理能力的生成式世界模型指明了发展方向。