SceneFunRI：为任务驱动的功能性物体定位推理不可见区域

针对现实场景中目标物体常被遮挡的问题，本文提出 SceneFunRI 基准，旨在评估视觉语言模型（VLM）基于上下文和常识推理不可见物体位置的能力。该基准包含 855 个实例，要求模型根据任务指令推断隐藏的功能性物体位置。实验显示当前最强模型表现不佳，证明了不可见区域推理仍是 VLM 的薄弱环节。研究进一步分析了多种提示策略，指出未来需深度融合任务意图、常识先验与空间定位能力。