多机构研究：10个视觉基础模型无一能完整保持空间状态

NYU、NTU、港科大与港中文团队发布论文《Probing Spatial State Representations in Visual Foundation Models》，对10个视觉基础模型进行探测评测。研究指出该领域评测长期错位：多数评测只考察「看得懂这张图吗」，而非「移动之后还知道物体在哪吗」。作者将空间感知定义为持续的空间状态，需在观测之外保持、随自运动更新，并按4个层级考察跨观测空间状态保持能力。结果显示各模型能力差异悬殊，无一能同时支撑完整空间状态。

2026-11-02 ~ 2026-11-02 · 3 条相关