SSoN 基准揭示 VLM 跨视图空间智能短板

华子曹（Huizi Cao）等人发布了名为“Same Space or Not”（SSoN）的空间智能基准测试。该基准包含 1000 道跨视图矛盾问题，旨在测试模型在缺乏可信参考时识别不一致视图的能力，数据源自 7 个室内场景来源及 6 类受控 3D 编辑。 在性能测试中，当前最强的视觉语言模型（VLM）准确率仅为 39.7%，而人类表现达到 83.3%，凸显了技术差距。研究显示，跨视图矛盾解决是当前 VLM 的重大弱点。 研究发现，引入真值相机信息后，答案准确率提升至 61%。此外，针对性微调可部分缓解这一弱点。这表明虽然空间智能存在显著挑战，但通过引入额外几何线索或模型优化，性能仍有改进空间。

AI 根据报道生成 · 2 小时前更新