ESPIRE：视觉 - 语言模型具身空间推理的诊断基准

针对视觉 - 语言模型在具身领域空间认知评估的局限，本文提出 ESPIRE 诊断基准。该基准通过模拟世界将模型物理落地，评估其以空间推理为核心的机器人任务能力。不同于依赖干扰项的传统判别式评估，ESPIRE 将任务分解为定位与执行两个生成性问题，实现从被动推理到“推理以行动”的细粒度分析。研究在指令与环境层面系统设计以确保场景覆盖广泛，并对前沿模型进行了深度诊断与行为分析。