研究人员推出了 TuringSpace,这是一个包含 125 个交互式验证码的新型环境,旨在测试和训练多模态大型语言模型 (MLLMs) 的空间智能。与之前的基准测试不同,TuringSpace 要求模型在合成的 Web 环境中执行点击和拖动等操作,模仿人类与视觉和空间信息的交互。虽然人类解决了其中 94.1% 的任务,但领先的模型 GPT-6 Astra 仅达到 74.1%,这凸显了 MLLMs 在空间推理和纠正自身行为方面的困难。在 TuringSpace 上微调 Qwen3.5-9B 模型显著提高了其性能,证明了该环境在教授和评估可迁移到现实场景中的空间能力方面的潜力。 AI
影响 该基准测试突出了 MLLMs 在空间推理方面的当前局限性,并提供了一种训练和评估这些能力的新方法。
排序理由 该集群描述了一个用于评估 MLLMs 的新基准和研究论文。
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 →