跳到正文
arXiv · AI· Haoming Wang, Yongjian Fu, Ju Ren, Wei Gao·· 10 天前AI 评分32

WorldMind: 基于潜空间世界模拟的视觉空间推理测试时扩展

WorldMind: Test-Time Scaling for Visual Spatial Reasoning through Latent World Simulation

AI 导读

该框架通过在潜空间模拟中迭代变换场景,实现了视觉语言模型空间推理的测试时扩展,无需生成像素。 在 VSI-Bench、MMSI-Bench 和 MindCube-Tiny 上,WorldMind 较基础模型平均提升 16.0%,较最强基于 RGB 的世界模拟提升 8.3%。

来源:arXiv · AI · arxiv.org