摘要
本文探讨视觉 - 语言模型（VLM）是否真正理解三维空间布局，而非仅识别物体。作者提出包含 3034 个样本的人工基准，测试深度排序遮挡、光学几何推断及体积重排规划三项空间理解能力。评估结果显示，模型在重排规划上表现优异，但在遮挡和反射推理上严重失效。白盒分析表明，视觉令牌合并过程导致空间信息丢失，是造成这一推理缺陷的关键原因。
AI 推荐理由
论文核心评估 VLM 的空间推理能力（遮挡、反射），虽涉及规划但旨在揭示推理缺陷。
研究机构
Deccan AI
论文信息