视觉基础模型中的空间状态表征研究

基于冻结特征探针，一项研究发现视觉基础模型中可见场景的强解读数，并不能确保物体持久性或未来特征检索的准确性。 在静态室内环境的流式自我中心观察研究中，四项能力分析显示物体持久性和可操作性依赖于相机位姿的解读数，而特征预测依赖于可见场景的解读数。 这项研究强调，评估空间表征不仅要看可解码的信息，还要看该信息是否能在观察后保持并用于目标导向行为。