字节GST-Bench：视频全局空间感知基准，最强模型仅42.68分远逊人类
ByteDance-Seed · hf · 2026-08-07
字节跳动Seed团队提出GST-Bench，用于评估视频理解中的全局空间智能。基准包含从6790分钟合成视频中提取的人工验证问题，要求模型从新视角进行空间推理并将自我中心观察映射到全局俯视图。评估22个SOTA VLM，最强零样本模型仅得42.68分，远低于人类的79.08分。进一步分析表明，模型在局部空间理解上表现良好，但无法将长时程观察整合为全局一致的场景表示。同时提供GST-Train数据集以促进研究。
「研究」频道最新
- 研究发现:想象疼痛无法重现真实疼痛的体位选择性神经模式 — AnnaCiaunica · 2026-10-16
- Simplex Diffusion Models 论文作者周一开讲 — LucaAmb · 2026-10-16
- 开源工具用 pass/fail 自动复算论文指标，7 项指标实测 4 过 1 挂 — jwt0625 · 2026-10-16
- 藤洋之介公开演讲:从 AI 智能体迈向 Agentic Robotics — HirokatuKataoka · 2026-10-16
- 数学只是语言吗：一场关于 LLM 为何擅长数学的争论 — LucaAmb · 2026-10-16
- 阿里开源 OpenGCUA:全栈开放通用电脑操作 Agent,OSWorld-v2 均分提升 19.6 — Tongyi-MAI · 2026-10-16