研究人员推出ConsiSpace，一个旨在增强多模态大语言模型（MLLMs）视频空间推理能力的新框架。该框架通过关注几何一致性，解决了MLLMs当前以语义为中心的局限性。ConsiSpace包含一个几何一致性记忆，并利用统一的一致性自监督强化学习来改进空间证据聚合和跨视图稳定性。在VSI-Bench、OSI-Bench和MMSI-Video-Bench等基准测试上的实验表明，与现有基线相比，平均得分提高了12.6分，取得了显著的改进。 AI
影响 增强了多模态LLM理解视频中空间关系的能力，这对于导航和视频问答等应用至关重要。
排序理由 该集群包含一篇详细介绍AI模型能力新框架的研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Video spatial reasoning is essential for navigation-oriented perception and long-video question answering, where models must infer spatial relations across long horizons under changing viewpoints. However, existing multimodal large language models (MLLMs) remain largely semantic-…
arXiv:2607.17599v1 Announce Type: new Abstract: Video spatial reasoning is essential for navigation-oriented perception and long-video question answering, where models must infer spatial relations across long horizons under changing viewpoints. However, existing multimodal large …