Vision-Language Models Spatial Reasoning Chain-of-Thought Benchmark
摘要

视觉语言模型(VLMs)在语义理解方面表现强劲,但在度量空间推理上仍不可靠,特别是在需要比较同一对象类别的多个实例时。本研究通过最近实例距离查询(CIDQ)探讨此问题,要求模型识别离唯一参考对象最近的可见候选者并估计其重力对齐的地平面距离。我们引入了SPATIALQUERY,这是一个无需训练的框架,用于从单张RGB图像进行CIDQ推理,并发布了包含超过一百万个仅RGB问答对的基准数据集SPATIALQUERY-1M。该方法通过“场景立方化”恢复实例级度量几何并将其转换为鸟瞰图,同时提出不确定性感知思维链(UA-CoT)提示,将基于几何的每实例不确定性融入VLM推理过程。实验表明,该方法显著优于微调的空间专家及前沿模型。

AI 推荐理由

论文核心解决视觉语言模型的空间几何推理问题,提出不确定性感知思维链提示以增强多实例空间逻辑推理能力。

研究机构
Posts and Telecommunications Institute of Technology, Hanoi, Vietnam
论文信息
作者 Hai Nguyen, Tung Vu, Cong Tran
发布日期 2026-08-03
arXiv ID 2608.01709
相关性评分 9/10 (高度相关)