NTU 等探测 10 个视觉模型：无一能同时支撑完整空间状态
liuziwei7 · x · 2026-11-02
NYU、NTU、港科大与港中文团队发布论文《Probing Spatial State Representations in Visual Foundation Models》，系统检验视觉基础模型是否具备真正的空间状态表征——即在观察之外持续维持、随自身运动更新、并可用于行动的内部空间记忆。
研究将空间状态拆为四个层级：L1 空间结构（读取场景）、L2 物体持久性（视线离开后记住物体位置）、L3 预测性空间更新（自运动下推算新视角）、L4 可行动性（据状态行动）。
方法上采用冻结特征探测：对 10 个视觉基础模型冻结权重，用训练的线性/浅层探针在 ScanNet++ 真实扫描上预测早前所见物体的 3D 方向。结论是没有任何一个模型能在全部四个层级上表现良好，说明当前视觉基础模型缺乏具身智能所需的持续空间状态。论文与代码、在线演示均已公开（arXiv:2610.40636）。
所属事件:NTU 等团队探测 10 个视觉基础模型，无一完整保持空间状态(4 条相关)→
「具身」频道最新
- BiGym 2.0 人形机器人基准:Claude 写规则操控 Unitree G1 达 51.9%,逼近 VLA — teortaxesTex · 2026-11-03
- 清华伯克利开源 uni-robot-agent，Qwen3.8-Flash 零样本超越 GPT-6 — Jiarui Yuan · 2026-11-03
- 斯坦福新论文:安全过滤器约束人形机器人,无需重训 RL 策略 — drmapavone · 2026-11-03
- 华为 TinyAstral:自进化 Harness 蒸馏进 4B 小模型,六项机器人基准领先 — Kehong Gong · 2026-11-03
- 记者实测 $2000 Duo：好玩但难当主力机，不建议多数人买 — film_girl · 2026-11-03
- 通用 LLM 加机械臂胜过专用机器人模型，bitter lesson 席卷机器人 — zakkohane · 2026-11-03