English(EN) Do Vision-Language Models Understand 3D Scenes or Just Catalogue Objects?

研究发现：视觉语言模型难以进行3D空间推理

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-19 04:00

一篇新研究论文探讨了视觉语言模型是否真正理解3D空间关系，还是仅仅目录化对象。研究人员开发了一个包含3000多个样本的基准来测试深度排序遮挡、光学几何推理和体积重排规划。研究发现，虽然模型在重排规划方面表现出色，但在遮挡和基于反射的空间推理方面表现不佳，这表明它们在理解上存在分离。 AI

影响突出了当前视觉语言模型在理解3D空间方面的局限性，并指出了未来研究和开发的方向。

排序理由发表在arXiv上的研究论文，详细介绍了视觉语言模型的发现。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Animesh Maheshwari, Divyansh Sahu, Nishit Verma · 2026-06-19 04:00

视觉-语言模型理解三维场景还是仅目录化对象？

arXiv:2605.20448v2 Announce Type: replace-cross Abstract: Vision-language models reliably name objects in a scene, but do they represent the 3D layout those objects inhabit? We introduce a 3,034-sample human-curated benchmark targeting three components of spatial understanding: d…