网格空间理解：用于网格、具身设置和坐标结构文本空间推理的数据集

本文介绍了 GSU，一个纯文本网格数据集，旨在评估大语言模型在导航、物体定位和结构组合三项核心任务中的空间推理能力。通过排除视觉输入以隔离感知因素，研究发现多数模型虽掌握基础网格概念，但在处理具身代理的参考系及从坐标列表识别三维形状时表现欠佳。此外，视觉模态的接触并未赋予多模态模型可迁移的三维空间理解力。最后，研究表明最新前沿模型能解决现有任务，而小型语言模型经全量微调或 LoRA 微调后亦有望达到同等性能，为专用具身智能体开发提供了新途径。