浙大提出ProVisE框架：让图像生成模型直接“画”出空间认知答案
机器之心 · wechat · 2026-08-09
浙江大学OmniAI团队提出ProVisE框架，改变了传统AI依赖文本坐标进行空间认知评测的方式，让图像生成模型直接在像素空间中“画出”答案。
该框架通过视觉协议引导模型标记目标、生成深度图或画出运动轨迹，并利用自动化构建器将其还原为原基准可评分的结构化预测。团队还发布了涵盖14项子任务的SpatialGen-Bench来全面刻画空间认知能力。
实验发现，生成模型在直接视觉感知上展现出更强的“空间直觉”，与文本输出VLM的能力具有明显互补性；但在需要抽象推理的任务上，文本VLM依然保持优势。
所属事件:浙大推ProVisE框架让AI画图证明空间认知(2 条相关)→
「研究」频道最新
- RIKEN 新法 FBI:训练更新只需一次采样,Pass@10 成本降至 12.3% — EmtiyazKhan · 2026-10-16
- 伯克利团队用扩散模型直接采样机器人策略权重，Unitree G1 真机走跑起舞 — berkeley_ai · 2026-10-16
- HKU 等提出 OneWM：统一因果训练让世界模型与动作学习互相增益 — IAAI233 · 2026-10-16
- 百度提出 Virtual Head Attention：同时压 KV cache、算力并保质量 — baidu · 2026-10-16
- 5.8M 参数语音事件检测器：为 Whisper 转录补上笑声呼吸与背景音 — Ayush Kumar Bar · 2026-10-16
- 华为等提出 SUPRA-Tex：单图生成可重打光 3D 材质，所见即所得 — Chen Yang · 2026-10-16